Penyakit daun jagung dapat merusak tanaman dan mengurangi hasil panen, sehingga mempengaruhi kualitas dan kuantitas produksi jagung. Penelitian ini bertujuan untuk mengklasifikasikan penyakit daun jagung menggunakan metode Convolutional Neural Network (CNN) dengan fitur warna yang berbeda, yaitu Gray Level Co-Occurrence Matrix (GLCM), HSV, dan L*a*b*. Dataset terdiri dari 2.048 citra daun jagung, yang dibagi menjadi empat kelas penyakit: Blight, Common Rust, Gray Spot, dan Healthy. Data tersebut dibagi menjadi set pelatihan dan pengujian menggunakan rasio 80:20. Dua skenario pengujian dilakukan: evaluasi fitur individu dan kombinasi fitur. Hasil penelitian menunjukkan bahwa pada skenario pertama, fitur L*a*b* memberikan akurasi terbaik sebesar 91,75%, diikuti oleh fitur HSV dengan akurasi 90,29%, dan GLCM dengan akurasi 78,40%. Pada skenario kedua, kombinasi fitur HSV dan L*a*b* menghasilkan akurasi tertinggi sebesar 92,48%, yang menunjukkan bahwa menggabungkan informasi warna dan kecerahan dapat meningkatkan kinerja model. Kombinasi fitur GLCM dan L*a*b* menghasilkan akurasi sebesar 91,75%, sedangkan kombinasi GLCM dan HSV menghasilkan akurasi sebesar 90,29%. Penelitian ini menunjukkan bahwa mengintegrasikan fitur HSV dan L*a*b meningkatkan kinerja CNN dalam klasifikasi penyakit daun jagung, mengungguli pendekatan berbasis fitur individual, sehingga berkontribusi pada diagnosis penyakit pertanian berbasis AI yang lebih efektif.