Penyakit tanaman padi merupakan salah satu faktor utama yang menyebabkan penurunan produktivitas dan kualitas hasil panen. Di sisi lain, proses identifikasi penyakit secara manual masih bergantung pada pengamatan visual yang memerlukan keahlian khusus sehingga berpotensi menimbulkan kesalahan diagnosis. Penelitian ini bertujuan untuk menganalisis pengaruh berbagai teknik image enhancement terhadap kinerja model MobileNetV2 berbasis transfer learning dalam mengklasifikasikan penyakit tanaman padi. Delapan skenario preprocessing tunggal yang terdiri atas Gamma Correction, Histogram Equalization (HE), Contrast Limited Adaptive Histogram Equalization (CLAHE), Median Blurring, Bilateral Filtering, Non-Local Means Denoising (NL-Means), Excess Green Index (ExG), serta lima kombinasi hybrid image enhancement diuji menggunakan metode Stratified 10-Fold Cross Validation. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa penerapan image enhancement memberikan pengaruh yang berbeda terhadap performa MobileNetV2. Metode Excess Green Index (ExG) sebagai preprocessing tunggal menghasilkan performa terbaik dengan nilai accuracy sebesar 91,25%, precision sebesar 91,28%, recall sebesar 91,25%, dan F1-score sebesar 91,25%, meningkat dibandingkan model baseline yang memperoleh accuracy sebesar 89,06%. Sementara itu, seluruh metode hybrid image enhancement yang diuji belum mampu melampaui performa ExG sebagai metode tunggal, meskipun beberapa kombinasi seperti ExG→NL-Means menghasilkan peningkatan dibandingkan baseline. Temuan penelitian ini menunjukkan bahwa efektivitas image enhancement tidak ditentukan oleh banyaknya tahapan preprocessing, melainkan oleh kesesuaiannya dalam meningkatkan kualitas fitur visual yang diekstraksi oleh MobileNetV2. Dengan demikian, Excess Green Index merupakan metode preprocessing yang paling efektif untuk meningkatkan performa klasifikasi penyakit tanaman padi pada dataset yang digunakan dalam penelitian ini.