Tanaman alpukat merupakan salah satu komoditas hortikultura yang sangat populer di Indonesia, terutama di Pulau Jawa, karena manfaat kesehatannya dan nilai ekonomis yang tinggi. Namun, perbedaan bentuk daun pada berbagai jenis alpukat
seringkali menyulitkan proses identifikasi, baik bagi pembeli maupun penjual, sehingga dapat menyebabkan kesalahan transaksi dan kerugian. Identifikasi secara manual memerlukan keterampilan khusus yang tidak selalu tersedia, terutama di
daerah seperti Kabupaten Kuningan. Untuk menjawab permasalahan tersebut, penelitian ini bertujuan mengembangkan aplikasi berbasis Android yang mampu
mengklasifikasikan jenis daun alpukat, yakni alligator, kendil, dan mentega, berdasarkan citra daun secara otomatis. Aplikasi ini menggunakan algoritma Convolutional Neural Network (CNN) dengan model pre-trained SSDMobileNetV2 FPNLite yang diimplementasikan melalui framework TensorFlow. Dataset yang digunakan terdiri dari 4.800 gambar daun alpukat yang dibagi untuk proses pelatihan, validasi, dan pengujian. Hasil pengujian menunjukkan bahwa model mampu mencapai tingkat akurasi sebesar 99%. Untuk kelas alligator, nilai presisi dan recall masing-masing adalah 1.00 dan 0.98; untuk kelas kendil sebesar 1.00 dan 0.99; dan untuk kelas mentega sebesar 0.99 dan 1.00. Temuan ini membuktikan bahwa algoritma CNN efektif dalam mengklasifikasikan jenis alpukat berdasarkan ciri visual daun. Dengan demikian, aplikasi ini berpotensi menjadi alat bantu yang cepat, akurat, dan praktis dalam proses identifikasi jenis daun alpukat, baik untuk keperluan komersial maupun edukatif.
Kata Kunci : Daun Alpukat, Deep Learning, CNN, MobileNetV2, SSD, TensorFlow.

The avocado plant is popular horticultural commodities in Indonesia, especially in Java, due to their health benefits and high economic value. However, differences in leaf shape across avocado varieties often make identification difficult for both buyers and sellers, which can lead to transaction errors and losses. Manual identification requires specialised skills that are not always available, especially in areas such as Kuningan Regency. To answer these problems, this research aims to develop an Android-based application that is able to classify avocado varieties, namely alligator, kendil, and butter, based on leaf images automatically. This application uses Convolutional Neural Network (CNN) algorithm with SSDMobileNetV2 FPNLite pre-trained model implemented through TensorFlow framework. The dataset used consists of 4,800 avocado leaf images divided for training, validation, and testing processes. The test results show that the model is able to achieve an accuracy rate of 99%. For the alligator class, the precision and recall values were 1.00 and 0.98 respectively; for the kendil class, 1.00 and 0.99; and for the butter class, 0.99 and 1.00. These findings prove that the CNN algorithm is effective in classifying avocado varieties based on visual characteristics of the leaves. Thus, this application has the potential to become a fast, accurate, and practical tool in the process of identifying avocado varieties, both for commercial and educational purposes.
Keywords : Avocado Leaf, Deep Learning, CNN, MobileNetV2, SSD, TensorFlow.