Penyakit pada tanaman cabai dan bawang bombai menjadi salah satu penyebab utama penurunan hasil panen yang berdampak signifikan terhadap ketahanan pangan dan perekonomian petani. Deteksi penyakit secara tradisional dinilai kurang efisien sehingga diperlukan pendekatan berbasis kecerdasan buatan yang mampu mendeteksi penyakit secara akurat dan real-time. Penelitian ini bertujuan untuk mengetahui nilai mAP, F1-score, precision, dan recall dari model YOLOv8n yang dimodifikasi menggunakan FasterNet dan CBAM dalam mendeteksi penyakit daun tanaman cabai dan bawang bombai. Penelitian ini menggunakan pendekatan kuantitatif eksperimental dengan memanfaatkan dataset COLD (Chilli and Onion Leaf Dataset) dari Mendeley Data, terdiri dari gambar daun cabai (5 kelas) dan gambar daun bawang bombai (4 kelas). Data diproses melalui tahap resize, denoise, anotasi menggunakan Roboflow. Metode yang dilakukan menggunakan model YOLOv8n, dengan kombinasi FasterNet dan CBAM. Eksperimen dilakukan menggunakan empat variasi model dengan variasi hyperparameter epoch, batch size, optimizer, dan learning rate. Hasil pengujian menunjukkan bahwa model baseline YOLOv8n memberikan performa terbaik pada kedua dataset. Pada dataset cabai, diperoleh nilai mAP50-95 sebesar 61,5%, mAP50 86,2%, precision 83,8%, recall 84,3%, dan F1-score 84,1%. Pada dataset bawang bombai, diperoleh mAP50 95 sebesar 66,8%, mAP50 88,3%, precision 86,5%, recall 86,2%, dan F1-score 86,3%. Modifikasi arsitektur dengan FasterNet terbukti menurunkan jumlah parameter model dari 3,0 juta menjadi 2,6 juta serta nilai GFLOPs dari 8,1 menjadi 7,0, namun peningkatan akurasi tidak konsisten pada seluruh metrik dan dataset. Penelitian ini menyimpulkan bahwa modifikasi arsitektur YOLOv8n dengan FasterNet dan CBAM efektif dalam mengurangi kompleksitas komputasi, meskipun efektivitasnya sangat bergantung pada karakteristik visual dataset yang digunakan.