Berdasarkan Survei Kesehatan Indonesia (SKI) tahun 2023, sebanyak 1,7% dari 877.531 responden terdiagnosis diabetes melitus. Salah satu faktor yang dapat meningkatkan risiko diabetes tipe 2 adalah konsumsi minuman manis yang tidak terkontrol akibat tingginya kandungan gula dalam minuman tersebut. Data dari Badan Perlindungan Konsumen Nasional (BPKN) menunjukkan hanya 7,9% konsumen yang tertarik membaca informasi nilai gizi. Oleh karena itu, teknologi klasifikasi nutri-grade serta sistem yang mampu mencatat riwayat konsumsi minuman kemasan menjadi solusi yang sangat dibutuhkan. Penelitian ini berfokus pada pengembangan model klasifikasi nutri-grade berbasis mobile dengan menggunakan YOLOv8n dan YOLO11n untuk mendeteksi tabel nutrition facts dan elemen kandungan gizi, serta PaddleOCR untuk mengenali karakter pada informasi gizi. YOLOv8n memberikan hasil deteksi tabel terbaik dengan Mean Average Precision (mAP) sebesar 88,9%, sedangkan YOLO11n-OBB dengan mAP sebesar 87,4% untuk elemen kandungan gizi. PaddleOCR menghasilkan nilai Character Error Rate (CER) sebesar 0,26% dan Word Error Rate (WER) sebesar 1,53%. Model ini diimplementasikan dalam bentuk aplikasi mobile dengan berbagai fitur. Hasil pengujian menunjukkan bahwa aplikasi ini mendapatkan nilai Black-Box Testing sebesar 100%, System Usability Scale (SUS) sebesar 80,2 dan Net Promoter Score (NPS) sebesar 84%. Interpretability model dianalisis menggunakan Grad-CAM dan Saliency Maps, yang menunjukkan bahwa model fokus pada area prediksi yang relevan.