Padi merupakan tanaman pangan yang menghasilkan beras, yang berperan penting dalam kehidupan perekonomian Indonesia. Kualitas produksi tanaman padi sangat bergantung pada nutrisi yang diserap oleh tanaman tersebut. Namun, tanaman padi seringkali mengalami kekurangan gizi, yang mengakibatkan kualitas produksi beras menjadi buruk. Secara umum defisiensi nutrisi dapat dilihat pada warna dan bentuk daun yang tidak sehat, sehingga deteksi dini dapat mengurangi gejala malnutrisi pada beras. Penelitian ini menggunakan pengolahan citra berbasis Convolutional Neural Network (CNN) untuk mengklasifikasikan gejala malnutrisi pada tanaman padi. Ada 1156 gambar yang berisi kumpulan data www.kaggle.com, yang diklasifikasikan ke dalam tiga kelas defisiensi nutrisi yaitu Nitrogen (N), Fosfor (P), dan Kalium (K). Parameter yang digunakan dalam penelitian ini adalah akurasi, presisi, recall, dan F1 Score. Terdapat 5 skenario pengujian terhadap hyperparameter yakni optimizer, learning rate, batch size, input size, dan juga pengujian terhadap perbandingan antara jumlah citra asli (unbalance) dengan jumlah citra augmentasi
(balance). Dari pengujian yang telah dilakukan didapatkan hasil terbaik dengan citra hasil augmentasi (balance dataset) yang menggunakan optimizer Adam, learning rate bernilai 0.001, batch size 16, dan input size 512 × 512 piksel. Dengan konfigurasi tersebut didapatkan test accuracy sebesar 97.73% dengan test loss 0.1135.