Produktivitas pertanian di Indonesia menghadapi tantangan serius akibat serangan penyakit tanaman yang dapat menurunkan hasil panen secara signifikan. Deteksi dini terhadap penyakit tanaman sangat krusial untuk mencegah kerugian lebih lanjut. Penelitian ini bertujuan untuk mengembangkan sistem berbasis deep learning yang mampu melakukan deteksi penyakit tanaman melalui citra daun, dengan menggabungkan arsitektur U-Net untuk segmentasi dan MobileNetV3 untuk klasifikasi. Tahapan penelitian meliputi pengumpulan data dari dataset publik (PlantVillage dan Cassava) dan lapangan, preprocessing (cropping, kontras, augmentasi), serta pelatihan dua model: Mini U-Net untuk segmentasi dan MobileNetV3-Small untuk klasifikasi daun normal dan abnormal. Evaluasi segmentasi dilakukan menggunakan metrik IoU dan Dice Coefficient, sementara klasifikasi dievaluasi menggunakan akurasi, precision, recall, dan F1-score. Hasil segmentasi menunjukkan performa baik dengan IoU sebesar 0.82 dan Dice Coefficient 0.85. Model klasifikasi MobileNetV3-Small berhasil mencapai akurasi sebesar 98%, dengan nilai precision, recall, dan F1-score masing-masing 0.98 untuk kedua kelas. Inferensi terhadap data uji menunjukkan konsistensi performa model. Meskipun segmentasi belum optimal untuk mendukung klasifikasi secara langsung, klasifikasi dari citra asli tetap memberikan hasil yang sangat baik. Penelitian ini membuktikan bahwa arsitektur ringan seperti MobileNetV3-Small efektif untuk klasifikasi penyakit tanaman dan berpotensi diimplementasikan pada perangkat mobile sebagai sistem deteksi cepat di lapangan.