Indonesia memiliki kekayaan tanaman obat seperti rimpang (Jahe, Kencur, Kunci, Kunyit, Lengkuas, Temulawak) yang sering digunakan dalam pembuatan jamu, namun kesamaan ciri fisiknya sering menyulitkan identifikasi akurat oleh masyarakat. Penelitian ini mengembangkan aplikasi berbasis perangkat bergerak untuk pengenalan rimpang menggunakan model Convolutional Neural Network (CNN) MobileViT, dengan fokus pada efisiensi dan akurasi tinggi. Dataset sebanyak 974 gambar rimpang dari Kaggle dan pengambilan langsung diproses melalui augmentasi (rotasi 90°, 180°, 270°) dan preprocessing manual (resize ke 256 piksel, crop ke 224x224, normalisasi) untuk melatih tiga varian MobileViT (Small, XS, XXS) dan MobileNetV2. Hasil pelatihan menunjukkan MobileViT XS sebagai model terbaik dengan akurasi 98.33%, ukuran 7.7 MB, dan waktu inferensi 123.67 ms pada perangkat Infinix HOT 50 Pro, cocok untuk implementasi offline. Model diintegrasikan ke aplikasi Flutter berbasis arsitektur MVVM dengan lima halaman utama. Pengujian akhir dengan 30 gambar baru dari kamera perangkat mencapai akurasi 93.33%, namun menunjukkan kesalahan klasifikasi pada Kunyit dan Temulawak akibat variasi morfologi dan ketidakseimbangan data. Pengujian tambahan menunjukkan akurasi 91.67% pada kondisi cahaya (lebih baik di dalam ruangan, 100–1,000 lux) dan ~80–90% untuk rimpang dominan pada frame multi-rimpang, namun model terbatas pada satu rimpang per frame. Aplikasi ini mendukung edukasi dan identifikasi rimpang, mencapai tujuan penelitian untuk mempermudah masyarakat umum dan pelaku industri jamu. Saran untuk pengembangan meliputi pengujian lanjutan, optimasi dataset, dan eksplorasi model deteksi objek untuk multi-rimpang.