Buku ini membahas pengembangan sistem klasifikasi penyakit jagung berbasis SqueezeNet — arsitektur jaringan saraf tiruan yang ringan namun powerful, cocok untuk perangkat dengan sumber daya terbatas. Penulis menjelaskan mengapa SqueezeNet dipilih sebagai model utama, mulai dari efisiensi parameter hingga kemampuannya dalam menangkap fitur penting dari citra daun jagung yang terkena penyakit seperti Blight, Common Rust, dan Gray Leaf Spot. Dengan pendekatan transfer learning dan fine-tuning, buku ini memandu pembaca dalam menyesuaikan model agar optimal untuk tugas klasifikasi spesifik, termasuk pemilihan optimizer, penjadwalan learning rate, dan teknik regularisasi.

Selain itu, buku ini menekankan pentingnya pengelolaan dataset multi-sumber yang mencakup gambar dari dataset publik. Penulis juga mengangkat isu praktis seperti dataset shift dan perlunya metadata (misalnya kondisi pencahayaan atau sudut pengambilan gambar) agar model tetap akurat saat digunakan di lingkungan nyata — sebuah tantangan krusial dalam penerapan AI di sektor pertanian.

Di bagian evaluasi, buku ini menyajikan hasil eksperimen lengkap, termasuk metrik akurasi, loss, confusion matrix, dan ROC curve yang menunjukkan performa tinggi model (akurasi hingga 99,07%). Penulis juga membandingkan SqueezeNet dengan model lain secara ringkas. Buku ini tidak hanya menjadi panduan teknis, tetapi juga sumber inspirasi bagi peneliti dan praktisi yang ingin mengembangkan solusi AI berbasis gambar untuk deteksi penyakit tanaman secara cepat, akurat, dan terjangkau.