Konsumsi jeruk yang terus meningkat di Indonesia menunjukkan pentingnya menjaga kualitas produksi buah. Adanya organisme pengganggu tanaman (OPT) sering menjadi penghambat pengembangan jeruk sehingga diperlukan penanganan yang tepat agar hasil panen optimal. Produktivitas dan mutu yang rendah dalam budidaya jeruk oleh petani seringkali menyebabkan diagnosis penyakit dilakukan secara manual di lapangan. Hal ini dapat menghasilkan perbedaan pendapat dan kegagalan dalam penanganan. Oleh karena itu, penggunaan teknologi yang modern seperti artificial intelligence (AI) sangat diperlukan untuk membantu petani dalam menangani deteksi penyakit jeruk. Penelitian ini bertujuan untuk mengimplementasikan dan membandingkan transfer learning pada arsitektur Convolutional Neural Network (CNN) untuk deteksi penyakit jeruk. Model dikembangkan dengan teknik transfer learning pendekatan fine tuning dengan arsitektur VGG16, ResNet50, dan EfficientNetV2B0. Dataset berisi 3353 citra jeruk terdiri dari lima kelas (sehat, blackspot, citrus canker, greening citrus, dan citrus scab). Hasil penelitian menunjukkan bahwa metode CNN dengan arsitektur EfficientNetV2B0 menggunakan mencapai kinerja terbaik dengan akurasi sebesar 88,4% dan ????1-score sebesar 88,1% untuk mendeteksi penyakit jeruk.