Jagung merupakan salah satu komoditas penting di sektor pertanian Indonesia. Namun, serangan penyakit pada daun dapat menurunkan kualitas dan kuantitas panen. Di SMK Negeri 1 Kuningan, identifikasi penyakit masih dilakukan secara manual, sehingga berisiko terjadi kesalahan. Penelitian ini bertujuan merancang dan membangun aplikasi Android untuk mendeteksi penyakit daun jagung secara otomatis menggunakan algoritma Convolutional Neural Network (CNN). Metode pengembangan yang digunakan adalah Rapid Application Development (RAD), dengan model CNN berbasis arsitektur MobileNetV2 yang dilatih menggunakan dataset citra daun jagung berpenyakit dan sehat. Evaluasi menggunakan citra uji menghasilkan akurasi sebesar 96,2%. Model mampu mendeteksi lima kategori yaitu bercak daun, bulai daun, hawar daun, karat daun, dan daun sehat. F1-Score masing-masing adalah 94% Bercak Daun, 96% Bulai Daun, 96% Daun Sehat, 97% Hawar Daun, dan 96% Karat Daun. Nilai precision dan recall seluruh kelas berada di atas 94%. Hasil ini menunjukkan bahwa integrasi CNN dalam aplikasi mobile efektif membantu identifikasi penyakit daun jagung secara otomatis di lingkungan pendidikan.

Maize is an important commodity in Indonesia's agricultural sector. However, disease attacks on the leaves can reduce the quality and quantity of the harvest. At SMK Negeri 1 Kuningan, disease identification is still done manually, so there is a risk of errors. This research aims to design and build an Android application to automatically detect corn leaf diseases using the Convolutional Neural Network (CNN) algorithm. The development method used is Rapid Application Development (RAD), with a CNN model based on MobileNetV2 architecture trained using a dataset of diseased and healthy corn leaf images. Evaluation using 500 test images resulted in an accuracy of 96.2%. The model was able to detect five categories: leaf spot, downy mildew, leaf blight, leaf rust, and healthy leaves. The F1-Score is 94% Leaf Spot, 96% Leaf Blight, 96% Healthy Leaf, 97% Leaf Blight, and 96% Leaf Rust, respectively. The precision and recall values of all classes are above 94%. These results show that the integration of CNN in mobile applications is effective in helping the automatic identification of corn leaf diseases in an educational environment.