Melon (Cucumis melo L.) merupakan buah kaya gizi yang banyak diminati masyarakat, namun penentuan tingkat kematangannya sering menjadi tantangan karena hanya mengandalkan tanda visual seperti warna kulit atau kekasaran jaring. Penelitian ini bertujuan untuk mengembangkan model deteksi tingkat kematangan melon menggunakan arsitektur Convolutional Neural Network (CNN) berbasis YOLOv8, yang dikonversi ke format TensorFlow Lite untuk mendukung implementasi di perangkat mobile. Aplikasi berbasis Flutter yang dikembangkan mampu melakukan deteksi secara real-time melalui kamera atau unggahan gambar, memberikan solusi praktis dan higienis bagi konsumen. Secara kuantitatif, model menunjukkan performa yang memadai dengan nilai rata-rata mAP di atas 80% pada pengujian dataset. Precision keseluruhan mencapai 0.4788, recall 0.5522, dan F1-score 0.4739. Tingkat keakuratan lokasi objek ditunjukkan oleh nilai IoU sebesar 0.9589. Secara kualitatif, model mampu mendeteksi kelas "matang sempurna" dengan tingkat kepercayaan tinggi (>96%) dan kelas "hampir matang" (>84%) pada skenario real-time dan akurasi deteksi yang cukup stabil di semua kelas, dengan persentase valid berkisar antara 60% hingga 80% pada unggahan gambar. Namun, kesulitan terdeteksi pada kelas "belum matang" dengan tingkat kepercayaan rendah (<65%) yang disebabkan oleh kemiripan karakteristik visual dengan kelas lain. Keberhasilan deteksi model sangat dipengaruhi oleh tingkat kecerahan warna kulit melon yang menjadi parameter visual utama dalam membedakan kelas. Durasi deteksi yang konsisten (1070-1370 ms) menunjukkan stabilitas performa model dalam berbagai kondisi. Metode CNN memiliki tingkat eror 36% lebih rendah dari metode tradisional yang memiliki tingkat eror 40%. Penelitian ini diharapkan memberikan kontribusi pada literatur ilmiah di bidang pengolahan citra dan kecerdasan buatan.