Penyakit tanaman merupakan salah satu ancaman utama bagi hasil keberlangsungan produksi pertanian. Penyakit tanaman cukup sulit dideteksi secara manual, oleh karena itu dilakukan pengembangan sistem berbasis android untuk mengklasifikasi penyakit tanaman. Metode yang banyak digunakan dalam klasifikasi penyakit tanaman adalah CNN, akan tetapi CNN memiliki kelemahan yaitu keterbatasan sumberdaya komputasi terutama untuk pengimplementasian pada sistem berbasis android. Berdasarkan masalah tersebut maka penelitian ini mengajukan metode CNN menggunakan arsitektur NASNetMobile yang dirancang khusus memiliki sumberdaya yang ringan untuk perangkat mobile. Penelitian ini menerapkan transfer learning dan ModelCheckpoint pada proses pelatihan CNN NASNetMobile untuk memperoleh peningkatan performa model. Model dilatih menggunakan dataset PlantVillage yang diambil dari Mendeley Data yang berjumlah 60.343 citra daun tanaman yang terdiri dari 38 kelas. Hasil dari penelitian ini adalah CNN NASNetMobile dengan penambahan layer dan ModelCheckpoint menghasilkan akurasi sebesar 99,05%. Sedangkan CNN NASNetMobile yang menggunakan parameter penelitian sebelumnya menghasilkan akurasi sebesar 94,86%. Hal ini membuktikan bahwa penambahan layer dan ModelCheckpoint mampu meningkatkan akurasi model dari 94,86% ke 99,05%. CNN NASNetMobile dengan peforma terbaik kemudian diuji menggunakan metode k-fold cross validation yang menghasilkan akurasi rata-rata sebesar 99,05%. Hasil akhir pada pengujian manual CNN NASNetMobile melalui PC menghasilkan akurasi sebesar 99,21% dengan waktu eksekusi 39 ms. Sedangkan hasil akhir pengujian manual CNN NASNetMobile pada mobile menghasilkan akurasi sebesar 98,42% dengan waktu eksekusi 190 ms.