Penelitian ini bertujuan untuk mengevaluasi performa arsitektur deep learning VGG16 dalam mendeteksi penyakit pada daun tomat dengan membandingkan akurasi model terhadap data uji dari luar negeri (dataset PlantVillage) dan data lokal dari Indonesia. Penggunaan VGG16 didasarkan pada kemampuannya dalam mengenali fitur visual secara mendalam pada citra digital. Penelitian ini menggunakan metode Research and Development (R&D) dengan pendekatan model Waterfall serta memanfaatkan dataset publik dan citra daun tomat lokal yang dikumpulkan langsung dari kebun petani di Indonesia. Pengujian model dilakukan dalam dua tahap: pertama, terhadap data dari PlantVillage dengan akurasi 82%, menunjukkan performa tinggi pada kelas healthy dan bacterial Spot; kedua, terhadap 20 citra daun tomat lokal, di mana akurasi menurun signifikan menjadi 40%. Temuan ini menunjukkan bahwa meskipun model mampu mengklasifikasikan penyakit dengan baik pada data luar negeri, performanya belum optimal saat diaplikasikan pada kondisi lokal. Hal ini disebabkan oleh perbedaan karakteristik varietas tomat dan kondisi lingkungan antara dataset pelatihan dan realita di lapangan. Penelitian ini juga menghasilkan prototipe sistem berbasis aplikasi mobile menggunakan React native dan FastAPI, yang memungkinkan pengguna untuk mendeteksi penyakit daun tomat melalui kamera atau galeri perangkat. Sistem memberikan hasil prediksi, tingkat keyakinan model, serta informasi penanganan penyakit. Penelitian ini menyimpulkan bahwa pendekatan deep learning memiliki potensi besar dalam mendukung deteksi dini penyakit tanaman, namun diperlukan pelatihan ulang dengan data lokal agar akurasi model lebih representatif terhadap kondisi pertanian di Indonesia.