Penyakit pada daun tanaman cabai merupakan salah satu faktor utama penurunan produktivitas, sementara deteksi secara manual oleh petani kerap kurang akurat dan tidak praktis pada lahan yang luas. Penelitian ini bertujuan mengevaluasi kinerja arsitektur ResNeXt-50 dan ResNeXt-101 dalam mengklasifikasikan penyakit daun cabai ke dalam enam kelas (Bacterial Spot, Cercospora Leaf Spot, Curl Virus, Healthy Leaf, Nutrition Deficiency, dan White Spot), serta membandingkan pengaruh tiga representasi citra masukan, yaitu Original RGB, ACES 1.0, dan ACES-Gradient. Dataset diperoleh dari Mendeley Data dan dibagi secara berlapis (stratified) dengan proporsi 72:8:20 untuk data latih, validasi, dan uji. Seluruh model dilatih menggunakan transfer learning di lingkungan Google Colab dan dikonversi ke format TensorFlow Lite agar dapat dijalankan pada perangkat Android secara luring. Hasil pengujian menunjukkan bahwa representasi Original RGB dan ACES-Gradient menghasilkan akurasi yang setara, yaitu 99,49% pada ResNeXt-50, sedangkan representasi ACES 1.0 menghasilkan akurasi 97,66%. Akurasi tertinggi secara keseluruhan dicapai oleh ResNeXt-101 dengan representasi Original RGB sebesar 99,53%. Kontribusi utama penelitian ini adalah keberhasilan membangun alur pelatihan (training pipeline) klasifikasi penyakit daun cabai berbasis ResNeXt yang efisien beserta implementasinya ke dalam aplikasi Android berbasis TensorFlow Lite.