Penyakit pada tanaman jagung seperti Common Rust, Gray Leaf Spot, dan Blight merupakan salah satu penyebab utama penurunan kualitas dan kuantitas hasil panen di Indonesia, sementara metode identifikasi konvensional berbasis pendapat ahli memakan waktu dan biaya yang tidak efisien. Penelitian ini bertujuan membangun sistem klasifikasi penyakit daun jagung berbasis web menggunakan arsitektur MobileNetV2 yang ringan dan efisien untuk memungkinkan inferensi langsung di sisi klien. Metodologi penelitian meliputi penanganan ketidakseimbangan kelas melalui class weighting, serta pelatihan model dua fase yaitu feature extraction dan partial fine-tuning pada 30 lapisan teratas dari total 154 lapisan MobileNetV2. Model dilatih menggunakan dataset “Corn_Leave_Disease” yang terdiri dari 3.500 citra pada empat kelas, kemudian dideploy dalam bentuk aplikasi web menggunakan TensorFlow.js. Hasil pengujian pada test set menunjukkan model mencapai akurasi sebesar 96,86 persen dengan macro F1-score 0,9584. Kelas Healthy dan Common Rust menunjukkan performa terbaik dengan F1-score 1,000, sementara kelas Gray Leaf Spot menjadi kelas dengan performa terendah (F1-score 0,8881) akibat kemiripan visual dengan kelas Blight. Dengan total 2,26 juta parameter, model yang dikembangkan memiliki ukuran jauh lebih kecil dibandingkan arsitektur ResNet-50 pada penelitian terdahulu (45,8 juta parameter). Hasil ini menunjukkan bahwa MobileNetV2 mampu mencapai efisiensi komputasi yang jauh lebih baik tanpa mengorbankan akurasi, sehingga layak diterapkan pada sistem deteksi penyakit tanaman berbasis web yang ringan dan mudah diakses.