Tanaman kentang merupakan komoditas pertanian penting di Indonesia, namun produksinya sering terganggu oleh penyakit hawar daun seperti early blight dan late blight. Identifikasi secara manual oleh petani bersifat lambat, kurang akurat, dan rawan kesalahan. Penelitian ini bertujuan mengembangkan sistem deteksi otomatis berbasis citra daun kentang untuk mengklasifikasikan kondisi daun menjadi tiga kelas: early blight, late blight, dan sehat. Metode yang digunakan adalah deep learning dengan algoritma YOLOv8, yang dikenal unggul dalam deteksi objek secara cepat dan presisi. Dataset yang digunakan terdiri dari 1.253 citra sekunder yang diperluas melalui teknik augmentasi seperti rotasi, flip, dan penyesuaian warna untuk meningkatkan keragaman data. Eksperimen dilakukan dengan menggunakan tiga jenis optimizer: SGD, Adam, dan AdamW, dengan hasil menunjukkan bahwa SGD memberikan performa terbaik. Model kemudian diimplementasikan ke dalam aplikasi web interaktif berbasis Streamlit yang mendukung deteksi melalui gambar, video, dan webcam. Hasil pengujian pada dataset testing menunjukkan performa tinggi dengan nilai [email protected] sebesar 0.866. Deteksi kelas early blight dan healthy menunjukkan hasil sangat baik, masing-masing dengan F1-score 0.880 dan 0.835, sementara kelas late blight masih menghadapi tantangan dengan recall lebih rendah. Penelitian ini membuktikan bahwa YOLOv8 efektif dalam deteksi penyakit daun kentang dan memiliki potensi besar dalam membantu petani meningkatkan efisiensi dan produktivitas.