Kebutuhan sayur mayur yang semakin meningkat dengan keterbatasan lahan dan sumber daya air dalam pertanian konvensional. Namun, kendala dalam mengendalikan dan pemantauan faktor faktor yang mempengaruhi pertumbuhan tanaman hidroponik yang tepat dan secara efektif masih menjadi tantangan bagi petani. Dalam budidaya hidroponik sawi, perlu memperhatikan faktor faktor penting yang perlu diperhatikan untuk mencapai pertumbuhan tanaman yang optimal, seperti pemantauan yang teratur terhadap pemberian larutan nutrisi. Ketidakseimbangan pemberian larutan nutrisi dapat menyebabkan masalah seperti pertumbuhan tanaman yang terhambat, penyakit, dan rendahnya hasil panen. Dalam pembudidayaan hidroponik sawi dibutuhkan nilai larutan nutrisi dalam kisaran optimal untuk mendukung pertumbuhan tanaman. Proses pemberian nutrisi ini dilakuan berdasarkan mengacu pada usia dari tanaman dalam pemberian kadar nutrisi pada setiap pertumbuhannya. Proyek Akhir ini bertujuan untuk mengembangkan sistem pemantauan pada tanaman hidroponik sawi dengan prediksi usia daun menggunakan Machine Learning yang menggunakan aplikasi mobile flutter sebagai pemantauan usia tanaman melalui input gambar atau capture gambar. Data yang digunakan dalam proyek akhir ini adalah gambar tanaman sawi yang diambil dari usia semai 1 hari hingga usia panen 40 hari berdasarkan pemantaun pertumbuhan dari petani hidroponik. Gambar gambar ini dikumpulkan menggunakan kamera ponsel dengan jarak ambil 30 cm dari usia 1 hingga 30 hari dan menjadi 45 cm ketika usia 31 hingga 40 dengan total dataset yang memiliki 2000 gambar yang tersebar dalam 40 kelas. Proyek akhir ini menggunakan bagian dari metode Machine Learning yaitu deep learning dengan arsitektur convolutional neural network CNN yang memanfaatkan arsitektur MobileNetV2 untuk pengolahan data gambar daun. Dataset dibagi menjadi data pelatihan, data validasi, dan data pengujian, dengan rasio masing masing 80 persen, 10 persen, dan 10 persen. Model Machine Learning yang dikembangkan mampu mengklasifikasikan usia tanaman sawi akurasi pelatihan mencapai 82.38 persen, akurasi validasi mencapai 78.50 persen dan akurasi pengujian mencapai 79.50 persen.