Produksi ubi jalar di Kabupaten Kuningan mengalami penurunan yang salah satunya dipengaruhi oleh serangan hama dan penyakit pada daun. Proses identifikasi penyakit yang masih dilakukan secara manual menyebabkan keterlambatan penanganan dan berpotensi menurunkan hasil panen. Penelitian ini bertujuan untuk merancang dan membangun aplikasi deteksi penyakit daun ubi jalar berbasis Android menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur MobileNetV3-Large. Metode pengembangan sistem yang digunakan adalah Rapid Application Development (RAD). Dataset yang digunakan terdiri dari 10.000 citra daun ubi jalar yang terbagi ke dalam empat kelas, yaitu daun sehat, bercak daun coklat (Cercospora batatae Zimm), daun penyakit hama ulat grayak, dan tungau puru. Model dilatih menggunakan TensorFlow dan diimplementasikan ke perangkat Android melalui TensorFlow Lite. Hasil pelatihan menunjukkan bahwa model mencapai training accuracy sebesar 98,8% dan validation accuracy sebesar 97,3%, dengan nilai loss yang rendah dan stabil. Hasil pengujian menunjukkan bahwa aplikasi mampu melakukan klasifikasi penyakit daun ubi jalar secara cepat serta membantu proses identifikasi penyakit secara lebih cepat dan praktis. Dengan demikian, aplikasi yang dikembangkan dapat menjadi solusi pendukung bagi petani dalam melakukan deteksi dini penyakit daun ubi jalar di lapangan.

Sweet potato production in Kuningan Regency has declined, partly due to pest and disease infestations affecting the leaves. The manual process of disease identification leads to delays in treatment and has the potential to reduce crop yields. This study aims to design and develop an Android-based sweet potato leaf disease detection application using a Convolutional Neural Network (CNN) algorithm with the MobileNetV3-Large architecture. The system development method used is Rapid Application Development (RAD). The dataset consists of 10,000 sweet potato leaf images divided into four classes: healthy leaves, brown leaf spot (Cercospora batatae Zimm), pest-infested leaves, and mealybugs. The model was trained using TensorFlow and implemented on Android devices via TensorFlow Lite. Training results show that the model achieved a training accuracy of 98.8% and a validation accuracy of 97.3%, with low and stable loss values. Testing results indicate that the application is capable of accurately classifying sweet potato leaf diseases and aids in the identification of diseases more quickly and practically. Consequently, the developed application can serve as a supportive solution for farmers in conducting early detection of sweet potato leaf diseases in the field.