Klasifikasi jenis tanaman mangga berdasarkan citra daun merupakan langkah penting dalam membantu pemilik toko dan konsumen dalam mengenali varietas mangga secara cepat dan akurat. Permasalahan utama sering muncul adalah kesulitan dalam membedakan jenis mangga pada tahap pembibitan karena kemiripan daun antar varietas. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi jenis tanaman mangga dengan menggunakan metode Convolutional Neural Network (CNN) dengan menggunakan arsitektur MobileNetV2. Dataset yang digunakan terdiri dari tiga kelas daun mangga yaitu Arumanis, Cengkir dan Lalijiwo dengan pembagian data sebesar 80% untuk pelatihan, 10% untuk validasi dan 10% untuk pengujian. Pelatihan model dilakukan menggunakan TensorFlow pada platform Jupyter NoteBook dengan optimizer Adam, batch size 32, learning rate 0.0001 dan epoch 50. Model yang dilatih kemudian dikonversi ke format TensorFlow Lite dan diimplementasikan pada aplikasi Android berbasis Kotlin. Hasil penngujian menunjukan akurasi data uji sebesar 90%, dengan nilai kepuasan pengguna berdasarkan User Acceptance Test (UAT) sebesar 90,8% yang dikategorikan sangat layak.

The classification of mango plant species based on leaf images plays a vital role in helping nursery owners and consumers identify mango varieties quickly and accurately. However, the main challenge lies in distinguishing mango varieties at the seedling stage due to the morphological similarities of their leaves. This study aims to develop a mango plant classification system using the Convolutional Neural Network (CNN) method with the MobileNetV2 architecture. The dataset used consists of three classes of mango leaves Arumanis, Cengkir, and Lalijiwo divided into 80% training data, 10% validation data, and 10% testing data. Model training was conducted using TensorFlow on the Jupyter Notebook platform with the Adam optimizer, a batch size of 32, a learning rate of 0.0001, and 50 epochs. The trained model was then converted into TensorFlow Lite format and implemented in an Android application developed using Kotlin. The testing results showed an accuracy of 90% on test data, while the User Acceptance Test (UAT) achieved a user satisfaction score of 90.8%, categorized as highly feasible. Overall, the developed system demonstrates the potential to facilitate accurate and efficient identification of mango varieties through mobile-based image classification.