Budidaya hidroponik melon (Cucumis melo L.) membutuhkan pemantauan kualitas nutrisi dan perkembangan buah secara presisi dan bersamaan. Sistem yang tersedia saat ini cenderung terpisah, di mana pemantauan berbasis IoT dan analisis visual berbasis komputer visi dikembangkan secara independen, sehingga menciptakan inefisiensi yang menghambat pengambilan keputusan yang. Proyek akhir ini mengembangkan sistem pemantauan cerdas yang mengintegrasikan monitoring nutrisi berbasis Internet of Things (IoT) dengan klasifikasi kematangan buah melon berbasis komputer visi ke dalam satu platform terpadu. Mikrokontroler ESP32 melakukan akuisisi data sensor pH, Total Dissolved Solids (TDS), suhu, dan waterflow secara real-time. Fuzzy Logic Controller mengotomasi pemberian nutrisi berdasarkan nilai error dan delta error TDS, dengan hasil pengujian menunjukkan sistem berhasil mencapai setpoint 1000, 1250, dan 1500 PPM dalam waktu 58–78 detik dengan overshoot maksimum 10%. Raspberry Pi 5 menjalankan model Convolutional Neural Network (CNN) DenseNet121 untuk mengklasifikasikan kematangan buah melon ke dalam tiga kelas: belum matang, setengah matang, dan matang. Model dilatih menggunakan 3.172 gambar dengan akurasi training 97% dan akurasi testing 91,6%. Pengujian langsung melalui aplikasi mobile menghasilkan akurasi 83,3%. Evaluasi sensor menunjukkan keandalan tinggi dengan rata-rata error pH 1,47%, TDS 1,98%, suhu 1,89%, dan waterflow 3,72%. Seluruh data disinkronkan secara real-time melalui Firebase dan ditampilkan dalam satu aplikasi mobile berbasis Flutter. Sistem ini diharapkan menjadi alat bantu komprehensif untuk meningkatkan efisiensi dan akurasi pengambilan keputusan pada budidaya hidroponik melon.