Penurunan kualitas dan produktivitas teh akibat serangan penyakit daun masih menjadi permasalahan krusial dalam dunia pertanian, khususnya di Indonesia sebagai salah satu negara penghasil teh terbesar. Proses identifikasi penyakit secara manual oleh petani cenderung bersifat subjektif dan tidak konsisten, sehingga berisiko menimbulkan kesalahan diagnosis dan penanganan yang kurang tepat. Untuk menjawab permasalahan tersebut, penelitian ini merancang dan mengembangkan sebuah aplikasi Android bernama TehTeksi yang mampu melakukan klasifikasi penyakit daun teh secara otomatis berbasis citra. Sistem ini memanfaatkan metode Convolutional Neural Network (CNN) dengan arsitektur ringan MobileNetV2 yang telah dilatih menggunakan dataset dari Kaggle, terdiri dari tujuh kelas tea algal leaf spot, brown blight, gray blight, helopeltis, red spider, green mirid bug, dan healthy leaf. Aplikasi dikembangkan menggunakan arsitektur MVVM dan menyediakan fitur klasifikasi citra dari kamera atau galeri, serta menyimpan hasil klasifikasi secara real-time menggunakan Firebase dan Cloudinary. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 82%, dengan nilai presisi 83%, recall 82%, dan f1-score 82%.Berdasarkan hasil tersebut, integrasi teknologi deep learning dan perangkat mobile mampu menghadirkan solusi yang praktis, cepat, dan akurat bagi petani dalam mengidentifikasi penyakit daun teh secara mandiri di lapangan. Selain itu, sistem ini juga memungkinkan pengelola kebun untuk melakukan pemantauan data klasifikasi secara terpusat dan terstruktur. Kehadiran aplikasi TehTeksi berkontribusi langsung dalam memperkuat pengelolaan kesehatan tanaman dan mendukung peningkatan kualitas serta produktivitas budidaya teh di Indonesia.