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.