Gerakan squat sangat efektif untuk melatih otot bawah, namun berisiko cedera seperti lumbar hyperlordosis dan knee valgus jika dilakukan dengan teknik yang salah. Keterbatasan pengamatan visual karena tingginya biaya sewa pelatih profesional membuat evaluasi latihan mandiri menjadi sulit dijangkau oleh masyarakat umum. Penelitian ini bertujuan untuk mengembangkan aplikasi mobile Android yang terintegrasi dengan model deep learning untuk mengevaluasi kualitas gerakan squat secara objektif melalui input video. Penelitian ini memanfaatkan teknologi MediaPipe Pose untuk mengekstraksi titik koordinat persendian bahu, pinggul, lutut, tumit, dan pergelangan kaki menjadi sinyal time-series. Data diproses menggunakan teknik sliding window sebesar 30 frame dan diklasifikasikan menggunakan arsitektur 1D-Convolutional Neural Network (1D-CNN) yang kinerjanya dibandingkan dengan model Bi-CGRU. Model tersebut diimplementasikan secara on-device menggunakan TensorFlow Lite, dan aplikasi dikembangkan secara native menggunakan Kotlin. Hasil pengujian menunjukkan bahwa model 1D-CNN dengan optimizer RMSprop mencapai performa tertinggi dengan akurasi 97.6%, presisi 97.7%, recall 97.6%, dan F1-score 97.6%, mengungguli model Bi-CGRU yang memiliki akurasi 96%. Analisis Explainable AI (XAI) menggunakan metode SHAP dan Grad CAM mengungkap bahwa stabilitas dan posisi pergelangan kaki (ankle dan heel) merupakan fitur paling dominan dalam mendeteksi postur squat yang salah. Pengujian fungsionalitas aplikasi melalui Black Box Testing meraih tingkat keberhasilan 100%. Evaluasi oleh pengguna akhir masyarakat umum sebanyak 24 responden menghasilkan skor System Usability Scale (SUS) sebesar 79,3 (kategori Good/Grade B) dan Net Promoter Score (NPS) sebesar 62,4% (kategori NPS Leader). Aplikasi ini terbukti layak, fungsional, dan efektif untuk membantu masyarakat umum memantau serta mengevaluasi gerakan squat secara mandiri tanpa memerlukan perangkat keras tambahan.