Bougainvillea merupakan tanaman hias populer dengan berbagai kultivar, termasuk jenis Lokal, Singapore, dan Bangkok. Namun, kemiripan visual di antara ketiga varietas tersebut, khususnya pada bentuk dan struktur daun, sering menyulitkan proses identifikasi secara manual baik bagi pelanggan maupun penjual. Penelitian ini bertujuan untuk mengembangkan aplikasi berbasis Android yang mampu melakukan klasifikasi varietas Bougainvillea secara otomatis menggunakan algoritma Convolutional Neural Network (CNN). Arsitektur MobileNetV2 diimplementasikan untuk memastikan komputasi yang ringan dan sesuai untuk perangkat mobile. Dataset berjumlah 1.500 citra yang dikumpulkan langsung dari Toko Bunga Lestari Indah digunakan dalam penelitian ini, terdiri dari tiga kelas yang dibagi menjadi data pelatihan (80%), validasi (10%), dan pengujian (10%). Dataset tersebut melalui tahap praproses, termasuk pengubahan ukuran dan augmentasi, untuk meningkatkan kinerja model. Model CNN yang telah dilatih kemudian diintegrasikan ke dalam aplikasi Android menggunakan TensorFlow Lite. Pengujian sistem, meliputi black-box dan white-box, serta evaluasi menggunakan confusion matrix menunjukkan bahwa model mampu mengklasifikasikan varietas Bougainvillea dengan akurasi yang baik. Aplikasi yang dihasilkan diharapkan dapat membantu pengguna dalam mengidentifikasi jenis Bougainvillea secara lebih mudah dan akurat, sehingga memberikan manfaat praktis bagi penjual maupun pembeli tanaman.

Bougainvillea is a popular ornamental plant with various cultivars, including Local, Singapore, and Bangkok varieties. However, the visual similarities among these varieties, particularly in leaf shape and structure, often make manual identification difficult for customers and sellers. This study aims to develop an Android-based application capable of classifying Bougainvillea varieties automatically using the Convolutional Neural Network (CNN) algorithm. The MobileNetV2 architecture is implemented to ensure lightweight computation suitable for mobile devices. A dataset of 1,500 images collected directly from Toko Bunga Lestari Indah was used, consisting of three classes divided into training (80%), validation (10%), and testing (10%) sets. The dataset underwent preprocessing, including resizing and augmentation, to improve model performance. The trained CNN model was integrated into the Android application using TensorFlow Lite. System testing, including black-box and white-box testing, along with evaluation using a confusion matrix, demonstrated that the model was able to classify Bougainvillea varieties with good accuracy. The resulting application is expected to assist users in identifying Bougainvillea types more easily and accurately, providing practical benefits for both plant sellers and buyers.