Deteksi penyakit pada tanaman cabai merupakan langkah penting untuk mencegah kerusakan yang dapat menurunkan produktivitas dan menyebabkan kerugian ekonomi bagi petani. Penelitian ini merancang aplikasi Chili Leaf Disease App berbasis Android yang mampu mendeteksi penyakit daun cabai secara otomatis. Aplikasi ini menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 untuk mendeteksi penyakit dari gambar daun yang diambil langsung melalui kamera atau diunggah dari galeri. Dataset yang digunakan terdiri dari 4000 gambar daun cabai dengan empat kelas penyakit. Pengujian dilakukan dengan jarak maksimal pengambilan gambar sejauh 15 cm untuk memastikan akurasi deteksi yang optimal. Hasil pengujian menunjukkan bahwa model mampu mencapai akurasi sebesar 97,5%. Pengembangan aplikasi menggunakan metode Rapid Application Development (RAD), yang dipilih karena siklusnya cepat, fleksibel, dan memungkinkan keterlibatan pengguna selama proses. Selain itu, hasil pengujian User Acceptance Test (UAT) terhadap responden menunjukkan aplikasi memperoleh tingkat kelayakan sebesar 93,4%, dengan mayoritas responden menyatakan aplikasi mudah digunakan, informasinya jelas, tampilannya menarik, serta proses deteksi berjalan lancar tanpa error. Aplikasi ini diharapkan membantu petani mendeteksi penyakit secara dini dan mengambil tindakan preventif lebih cepat guna menjaga kesehatan tanaman.

Detecting diseases in chili plants is an important step to prevent damage that can reduce productivity and cause economic losses for farmers. This study designed the Chili Leaf Disease App, an Android-based application capable of automatically detecting chili leaf diseases. The application uses a Convolutional Neural Network (CNN) algorithm with the MobileNetV2 architecture to detect diseases from leaf images captured directly via the camera or uploaded from the gallery. The dataset used consists of 4,000 chili leaf images across four disease classes. Testing was carried out with a maximum image capture distance of 15 cm to ensure optimal detection accuracy. The test results showed that the model achieved an accuracy of 97.5%. The application was developed using the Rapid Application Development (RAD) method, chosen for its fast, flexible cycles and its ability to involve users throughout the process. In addition, the results of User Acceptance Testing (UAT) with respondents showed that the application achieved a feasibility rate of 93.4%, with most respondents stating that the application was easy to use, the information was clear, the interface was attractive, and the detection process ran smoothly without errors. This application is expected to help farmers detect diseases early and take preventive measures more quickly to maintain plant health.