Identifikasi manual penyakit daun pisang seperti Sigatoka dan Leaf Spot seringkali rentan terhadap subjektivitas dan inkonsistensi. Untuk mempermudah pengguna non-teknis di lapangan, proyek akhir ini merancang "BananaLeaf Check", sebuah sistem klasifikasi penyakit daun pisang berbasis website. Sistem ini mengintegrasikan kecerdasan buatan YOLOv8 dengan antarmuka web interaktif melalui arsitektur client-server berbasis Python Flask, serta SQLite untuk penyimpanan riwayat diagnosis. Model pengenalan citra dilatih menggunakan dataset dari Kaggle yang dibagi menjadi empat kelas: Healthy, Sigatoka, Leaf Spot, dan Unknown (berfungsi menolak gambar non-daun secara cerdas). Hasil pengujian Black Box Testing menunjukkan seluruh komponen sistem berjalan stabil tanpa kegagalan. Evaluasi model menunjukkan tingkat akurasi yang tinggi dengan nilai mean Average Precision (mAP@0.5) sebesar 92,5%. Konfigurasi terbaik dicapai pada confidence threshold 0,33 dengan puncak F1-score 0,94, serta waktu respons inferensi yang sangat cepat yakni 55,50 ms per gambar. Hasil ini membuktikan bahwa BananaLeaf Check merupakan alat bantu diagnosis mandiri yang handal, cepat, konsisten, dan terdokumentasi secara efektif.