Melon merupakan salah satu komoditas hortikultura yang memiliki nilai ekonomi tinggi, namun hasil produksinya dapat menurun akibat serangan penyakit pada daun. Proses identifikasi secara manual masih memiliki keterbatasan karena memerlukan ketelitian, pengetahuan khusus, serta sering terkendala oleh kemiripan gejala antar penyakit. Penelitian ini bertujuan untuk mengembangkan aplikasi berbasis android yang dapat mengidentifikasi penyakit daun melon secara otomatis menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNetV3Large. Pengembangan sistem dilakukan dengan metode Rapid Application Development (RAD). Dataset yang digunakan terdiri dari 4.000 citra daun melon dengan empat kelas, yaitu antraknosa, daun sehat, embun tepung, dan kuning daun. Data dibagi menjadi 70% data training, 20% data validation, dan 10% data testing. Tahap preprocessing dilakukan melalui persamaan ukuran citra menjadi 224 × 224 piksel, kemudian dilanjutkan dengan augmentasi data. Model dilatih menggunakan batch size 32 dan 15 epoch, serta dievaluasi menggunakan confusion matrix dan classification report. Hasil evaluasi menunjukkan bahwa model memperoleh accuracy sebesar 99%, sedangkan uji kelayakan aplikasi menghasilkan persentase 83,66% dengan kategori sangat layak. Dengan demikian, aplikasi MelonCare dapat menjadi media bantu untuk mengidentifikasi penyakit daun melon secara lebih mudah, cepat, dan praktis.

Melon is a horticultural commodity with high economic value, but its production can decrease due to leaf disease attacks. The manual identification process still has limitations because it requires precision, specialized knowledge, and is often hampered by the similarity of symptoms between diseases. This study aims to develop an Android-based application that can automatically identify melon leaf diseases using the Convolutional Neural Network (CNN) algorithm with the MobileNetV3Large architecture. System development was carried out using the Rapid Application Development (RAD) method. The dataset used consisted of 4,000 melon leaf images with four classes: anthracnose, healthy leaves, powdery mildew, and yellow leaves. The data was divided into 70% training data, 20% validation data, and 10% testing data. The preprocessing stage was carried out by standardizing the image size to 224 × 224 pixels, followed by data augmentation. The model was trained using a batch size of 32 and 15 epochs, and evaluated using a confusion matrix and classification report. The evaluation results showed that the model achieved 99% accuracy, while the application feasibility test yielded a score of 83.66%, categorized as very feasible. Therefore, the MelonCare application can be a tool for identifying melon leaf diseases more easily, quickly, and practically.