Abstrak Singkong adalah tanaman yang tumbuh di sub-saharan Africa dan sering dijadikan sumber karbohidrat bagi manusia. Namun, tanaman singkong tersebut memiliki banyak penyakit yang dapat mengancam ketersediaan bahan makanan bagi jutaan orang. Terdapat banyak upaya dan penlitian yang menggunakan kecerdasan buatan dalam bentuk computer vision agar dapat membantu petani mendiagnosa apakah tanaman singkong mereka sehat atau tidak hanya dengan mengambil gambar dari daun tanaman mereka. Pada publikasi ini, penulis melatih tiga jaringan saraf artifisial yang bernama CropNet, MobileNet, dan InceptionV3 untuk dapat mengklasifikasikan gambar-gambar berupa penyakit tanaman singkong. Pembaruan yang dibawa penulis adalah dengan membuat sebuah algoritma gabungan yang mengkombinasikan hasil prediksi dari ketiga jaringan saraf artifisial yang telah dilatih guna mendapatkan hasil prediksi yang lebih akurat. Ternyata, metode penggabungan algoritma ini mampu memberikan nilai akurasi lebih tinggi 6.8% ketimbang nilai rata-rata akurasi dari masing-masing model. Kata kunci : pembelajaran mesin, visi komputer, klasifikasi gambar, jaringan saraf artifisial, kecerdasan buatan, penyakit tanaman Abstract In sub-Saharan Africa, cassava is widely grown and considered to be a large source of carbohydrates for human food. However, the plant is plagued with diseases which can threaten food supply for millions of people. By using computer vision, researchers attempted to create an image classification model that can tell farmers whether the plant is sick or not by taking pictures of their leaves. In this short paper, the author attempts to train three Convolutional Neural Network: CropNet, MobileNet, and InceptionV3 that can classify cassava plant diseases based on visual data. As a novelty, the author creates an ensemble voting classifier that combines the prediction of CropNet, MobileNet, and InceptionV3 to create a better prediction. Turns out, creating an ensemble voting classifier enables us to achieve an accuracy score which is 6.8% higher than the average individual scores of each model. Keywords : machine learning, computer vision, image classification, convolutional neural network, artificial intelligence, plant diseases