Kentang merupakan salah satu produk dengan potensi ekspor dan potensi pasar yang tinggi. Namun pada prosesnya, karena ditanam di dataran tinggi daun kentang sangat rentan dengan penyakit daun busuk yang dapat mengakibatkan gagal panen. Untuk mengatasinya petani harus secara manual untuk memangkas daun busuk tersebut, dimana jika dilakukan pada kebun yang luas sangatlah tidak efisien. Pengembangan teknologi untuk deteksi penyakit kentang sudah banyak dilakukan diantaranya menggunakan deep learning, walaupun memiliki ketelitian yang tinggi tetapi juga memerlukan memori yang cukup besar. Sehingga kurang cocok jika diimplemetasikan pada sistem tanam seperti kamera atau drone. Kebutuhan memori tersebut dikarenakan penggunaan jumlah parameter yang banyak pada model yang digunakan. Seperti pada penelitian Lee et al yang menggunakan CNN untuk deteksi daun kentang dengan akurasi 99,39% namun dengan jumlah parameter sebanyak 10.089.219. Pada penelitian ini akan digunakan metode residual bottleneck untuk mengurangi jumlah parameter tanpa mengurangi performa secara signifikan, sehingga memori yang dibutuhkan juga semakin kecil. Penelitian ini didapat akurasi sebesar 99.01 % dengan jumlah parameter 76.435, sehingga secara signifikan dapat mengurangi jumlah memori yang digunakan jika dibanding model deep learning biasa.