Penurunan kadar nutrisi pada tanaman selada hidroponik dapat memengaruhi kualitas pertumbuhan dan hasil panen. Identifikasi kondisi kekurangan nutrisi umumnya masih dilakukan secara visual dan manual, sehingga berpotensi menimbulkan kesalahan serta ketidakkonsistenan penilaian. Penelitian ini bertujuan menerapkan model DeepLabV3+ pada metode YOLOv11 untuk meningkatkan kualitas segmentasi penurunan kadar nutrisi pada daun selada hidroponik. Metode yang digunakan meliputi pelatihan model YOLOv11n-seg untuk mendeteksi area daun dan kelas nutrisi, kemudian dilanjutkan dengan DeepLabV3+ sebagai model segmentasi semantik untuk memperhalus batas dan detail area hasil segmentasi. Hasil dari kedua model dikombinasikan melalui pendekatan pencocokan berbasis Intersection over Union untuk menghasilkan segmentasi instance yang lebih akurat. Evaluasi performa dilakukan menggunakan metrik mean Average Precision at IoU 0.5 untuk segmentasi instance, serta mean Intersection over Union dan mean Pixel Accuracy untuk segmentasi semantik. Hasil penelitian menunjukkan model gabungan pada fase pelatihan mencapai nilai mAP50 sebesar 97,6%, mIoU sebesar 88,99%, dan mPA sebesar 94,77%. Namun pada fase pengujian, model mengalami penurunan performa dengan mAP50 sebesar 69,2%, mIoU sebesar 67,07%, dan mPA sebesar 81,29%. Hal ini disebabkan munculnya deteksi false positive yang signifikan, dengan akurasi prediksi hanya mencapai 46,66% dari 10 sampel uji. Meskipun demikian, penerapan DeepLabV3+ pada YOLOv11 menunjukkan potensi dalam meningkatkan kualitas segmentasi dan dapat dikembangkan lebih lanjut untuk sistem pemantauan kondisi nutrisi tanaman selada hidroponik.