Penyakit pada tanaman jambu biji merupakan salah satu faktor utama yang menyebabkan penurunan produktivitas tanaman dan kualitas hasil panen. Permasalahan yang dihadapi dalam budidaya jambu biji adalah kesulitan dalam mengenali jenis penyakit daun jambu biji karena ada kemiripan gejala antarpenyakit dan masih digunakannya metode manual yang kurang efisien. Penelitian ini bertujuan untuk membangun aplikasi deteksi penyakit daun jambu biji berbasis Android dengan menerapkan algoritma Deep Learning. Algoritma yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2 yang berfungsi sebagai feature extractor. Dataset yang digunakan merupakan dataset primer sebanyak 5.000 citra yang terdiri dari lima kelas, yaitu bercak daun, embun jelaga, karat daun, daun sehat, dan bukan daun jambu. Data dibagi menjadi tiga bagian dengan perbandingan 80% data latih, 10% data validasi, dan 10% data uji, kemudian dilakukan proses data augmentation. Hasil pengujian menunjukkan bahwa model CNN MobileNetV2 mampu melakukan klasifikasi penyakit daun jambu biji dengan tingkat akurasi keseluruhan mencapai 98,4%, precision rata-rata 96,1%, recall 99%, dan F1-score 97,6%. Hasil akhir penelitian ini berupa aplikasi deteksi penyakit daun jambu biji yang dioperasikan melalui kamera maupun gambar yang diambil dari galeri dan hasil deteksi dalam bentuk teks. aplikasi yang dikembangkan untuk membantu petani jambu biji dalam mendeteksi penyakit daun jambu biji secara lebih praktis dan efektif.
Kata Kunci : Jambu Biji, CNN, Deteksi Penyakit Daun, Deep Learning, Android.

Diseases in guava plants are one of the main factors causing a decrease in crop productivity and fruit quality. The problem faced in guava cultivation is the difficulty in identifying the types of guava leaf diseases due to the similarity of symptoms among diseases and the continued use of manual identification methods, which are inefficient. This study aims to develop an Android-based guava leaf disease detection application by implementing a Deep Learning algorithm. The algorithm used is the Convolutional Neural Network (CNN) with the MobileNetV2 architecture, which functions as a feature extractor. The dataset used in this research consists of 5,000 primary images divided into five classes: grey leaf spot, sooty mold, red rust, healthy leaf, and non-guava leaf. The data were divided into three parts with a ratio of 80% training data, 10% validation data, and 10% testing data, followed by a data augmentation process to enhance data variation and model performance. The test results show that the CNN MobileNetV2 model can classify guava leaf diseases with an overall accuracy of 98.4%, average precision of 96.1%, recall of 99%, and an F1-score of 97.6%. The final outcome of this research is a guava leaf disease detection application that operates using either the camera or gallery images and displays detection results in text form. The developed application is designed to help guava farmers detect guava leaf diseases more practically and effectively.
Kata Kunci : Guava, CNN, Leaf Disease Detection, Deep Learning, Android.