Gangguan Bipolar merupakan kondisi kesehatan mental kronis yang memerlukan pemantauan berkelanjutan untuk mendeteksi pergeseran fase suasana hati secara dini. Namun, metode konvensional sering terkendala oleh frekuensi pertemuan klinis yang terbatas dan subjektivitas pelaporan mandiri. Penelitian ini bertujuan untuk merancang dan membangun aplikasi mobile mood tracker berbasis Android untuk deteksi dini gejala Bipolar Tipe I, Bipolar Tipe II, dan fase depresi. Pengembangan aplikasi menggunakan bahasa Kotlin dengan arsitektur Model-View-ViewModel (MVVM) dan Firebase sebagai infrastruktur backend. Sistem ini mengimplementasikan algoritma sistem pakar Rule-Based dengan teknik Forward Chaining yang mengacu pada instrumen valid MDQ dan PHQ-9 untuk memberikan notifikasi peringatan dini berdasarkan parameter klinis harian pengguna. Selain itu, fitur asisten virtual cerdas dikembangkan menggunakan arsitektur Retrieval-Augmented Generation (RAG), memanfaatkan Large Language Model (Google Gemini 3.5 Flash) dan vector database (Pinecone) yang dipandu oleh referensi medis DSM-5 dan ICD-11 untuk menyediakan psikoedukasi yang akurat dan kontekstual. Hasil pengujian menunjukkan bahwa aplikasi memiliki fungsionalitas yang stabil, tingkat usability yang baik menurut penilaian System Usability Scale (SUS), serta efektivitas dalam memberikan deteksi dini yang suportif tanpa menggantikan diagnosis klinis profesional.