Agrikultur merupakan sektor penting dalam perekonomian Indonesia, menyumbang sekitar 13% dari total PDB. Salah satu tantangan utama dalam agrikultur adalah menjaga kualitas tanaman, termasuk mendeteksi malnutrisi pada tanaman yang dapat memengaruhi hasil panen. Tugas akhir ini bertujuan untuk mengembangkan sistem deteksi malnutrisi NPK (Nitrogen, Fosfor, Kalium) pada tanaman menggunakan teknologi deep learning berbasis Convolutional Neural Network (CNN). Model yang digunakan adalah InceptionResNetV2 yang telah dilatih untuk mengklasifikasikan tanaman ke dalam empat kategori: Sehat, Kekurangan Nitrogen, Kekurangan Fosfor, dan Kekurangan Kalium. Dataset yang digunakan berasal dari kombinasi dataset publik dan gambar yang diambil secara mandiri, dengan total 2088 gambar yang dibagi menjadi dataset training, validation, dan testing. Model ini dikembangkan menggunakan teknik transfer learning dan fine-tuning untuk meningkatkan akurasi, dengan hasil pengujian menunjukkan nilai loss sebesar 0,32 dan akurasi sebesar 87,91%. Selain itu, dashboard berbasis web dikembangkan menggunakan Python Flask untuk memberikan antarmuka yang intuitif bagi pengguna. Dashboard memungkinkan pengguna mengunggah gambar tanaman, menerima prediksi secara real-time, dan meninjau riwayat prediksi yang ditampilkan dalam format visual. Hasil percobaan menunjukkan bahwa sistem ini memiliki potensi untuk diterapkan dalam mendukung sektor pertanian, khususnya dalam pemantauan kesehatan tanaman secara efisien. Integrasi lebih lanjut dengan teknologi IoT dan pengembangan dataset yang lebih besar diharapkan dapat meningkatkan fungsionalitas dan kemampuan sistem ini di masa depan.