Tanaman cabai sebagai komoditas hortikultura utama di Indonesia rentan penyakit daun seperti geminivirus (Geminivirus), cercospora leaf spot, leaf curl virus, dan kondisi sehat, yang sulit dideteksi manual karena gejala visual mirip dan variasi lapangan. Penelitian ini bertujuan mengimplementasikan feature engineering melalui ekstraksi fitur HSV (mean/std/skewness), GLCM (contrast/homogeneity/energy 4 orientasi), edge (Canny density), diikuti reduksi dimensi PCA (n_components tetap dan explained_variance kumulatif 90-95%), untuk klasifikasi menggunakan XGBoost pada sistem deteksi mobile petani. Metode mengadopsi kerangka hibrida Waterfall untuk SDLC dan CRISP-DM untuk ML, dengan dataset publik Kaggle/Roboflow (pra-pemrosesan OpenCV: resize 256x256, CLAHE, augmentasi), train-test split 80:20, evaluasi 5-fold CV via akurasi, presisi, recall, F1-score, serta feature importance. Diharapkan menghasilkan model efisien komputasi (inferensi <2 detik), akurasi >90%, standar optimal PCA untuk citra tanaman tropis, dan prototipe aplikasi Flutter multiplatform guna deteksi dini, percepatan pengobatan, serta pengurangan kerugian ekonomi petani cabai. Penelitian ini telah berhasil mengembangkan sistem klasifikasi penyakit tanaman cabai dengan menerapkan kombinasi metode ekstraksi fitur dan model pembelajaran mesin (machine learning). Berdasarkan hasil penelitian, pengujian fungsional, serta evaluasi pengguna yang telah dilakukan, dapat ditarik beberapa kesimpulan sebagai berikut: 1. Penerapan metode feature engineering yang mengombinasikan fitur warna (Hue Saturation Value / HSV), tekstur (Gray-Level Co-occurrence Matrix / GLCM), dan bentuk (Canny Edge Detection) terbukti sangat efektif dalam mengenali karakteristik visual penyakit daun cabai (infeksi Geminivirus, Cercospora, Leaf Curl, dan kondisi Sehat). Penggunaan Principal Component Analysis (PCA) dengan konfigurasi explained variance 0,95 berhasil memberikan standar optimalisasi terbaik karena mampu mereduksi penggunaan memori biner model hingga 40% (dari 421 KB menjadi 253 KB) dengan penurunan akurasi yang sangat minimal (hanya ∼1,5%), sehingga menghasilkan model yang ringan namun tetap akurat untuk diaplikasikan pada citra penyakit tanaman. 2. Pengembangan prototipe aplikasi mobile berbasis Flutter yang terintegrasi dengan backend FastAPI dan basis data MongoDB telah berhasil memberikan kemudahan akses yang optimal bagi petani cabai di lapangan. Keberhasilan interaksi antarmuka ini dibuktikan melalui pengujian System Usability Scale (SUS) dengan skor rata-rata 78,23 yang masuk ke dalam kategori Acceptable (Grade B, Excellent), serta didukung oleh hasil pengujian Black-box yang menunjukkan seluruh fungsi utama aplikasi berjalan dengan valid dan bebas dari galat (error). 3. Sistem terbukti mampu mempercepat proses identifikasi penyakit tanaman secara instan melalui pencapaian sub-second latency dengan total waktu respons (Total Response Time) sebesar 0,5393 detik (proses inferensi server XGBoost 0,2893 detik dan latensi jaringan 0,2500 detik). Kecepatan deteksi di bawah 1 detik ini memberikan keunggulan bagi petani untuk mengetahui jenis infeksi secara real 88 JURUSAN TEKNIK INFORMATIKA DAN KOMPUTER - POLITEKNIK NEGERI JAKARTA 89 time sehingga tindakan pengobatan tanaman dapat dilakukan secara cepat dan tepat sasaran. 4. Melalui performa akurasi model yang tinggi (mencapai 98,75% untuk model XGBoost tanpa PCA dan 98,00% dengan konfigurasi PCA 0,95), sistem ini mampu mengurangi risiko kerugian ekonomi petani akibat keterlambatan deteksi manual. Kemampuan deteksi yang akurat dan instan melalui gawai ini secara langsung berkontribusi dalam menekan laju penyebaran wabah di lahan terbuka sebelum meluas dan menyebabkan gagal panen. 5. Meskipun model menunjukkan performa generalisasi yang sangat tinggi pada test set internal (99%), sistem masih mengalami penurunan performa pada data eksternal dari internet akibat tumpang tindih (overlapping) fitur visual pada analisis Dot Plot. Hal ini mengindikasikan adanya ketergantungan model terhadap karakteristik latar belakang (background) dan pencahayaan dari dataset pelatihan, yang menuntut adanya tindakan pra-pemrosesan khusus berupa pemotongan (cropping) citra secara terfokus pada objek daun. Untuk pengembangan penelitian selanjutnya, disarankan beberapa hal sebagai berikut: 1. Menambahkan variasi data citra dengan latar belakang (background) yang lebih kompleks (langsung di lahan terbuka) untuk menguji ketangguhan model terhadap noise lingkungan 2. Mengembangkan fitur pemetaan sebaran penyakit berbasis GPS yang teintegrasi dengan data di MongoDB untuk memberikan peringatan dini(early warning system) bagi petani di wilayah sekitar 3. Memperluas keberagaman dataset asli (sebelum augmentasi) terutama pada kelas yang memiliki sampel sedikit seperti Cerospora, guna meningkatkan daya tahan (robustness) model terhadap data luar 4. Mengintegrasikan algoritma segmentasi citra atau Object Detection sebelum klasifikasi, agar model dapat secara otomatis memfokuskan ekstraksi fitur hanya pada area daun, tanpa terpengaruh oleh latar belakang citra yang kompleks.