Kualitas tuna loin sangat memengaruhi nilai pasarnya, terutama dalam perda gangan internasional. Grading manual oleh ahli manusia sering kali bersifat sub jektif dan tidak konsisten. Studi ini mengusulkan sistem grading otomatis meng gunakan computer vision dan deep learning untuk mengklasifikasikan tuna loin ke dalam Grade A, B, dan C berdasarkan warna dan tekstur. Model EfficientNetV2-M dipilih karena akurasinya yang tinggi, kecepatan infer ence yang cepat, dan resolusi input yang besar (480×480), yang lebih baik dalam mempertahankan detail gambar. Model ini mencapai akurasi pengujian sebesar 96% saat dilatih dengan Adam optimizer dan Cyclic learning rate scheduler pada dataset yang telah diproses sebelumnya menggunakan Self Adaptive Illumination Correction dan Contrast Limited Adaptive Histogram Equalization. Preprocessing memastikan pencahayaan yang konsisten dan meningkatkan visibilitas tekstur di seluruh dataset. Model yang telah dilatih ini di-deploy pada Google Cloud Platform dan diin tegrasikan ke dalam aplikasi mobile berbasis Flutter. Pengguna dapat mengambil atau mengunggah gambar tuna loin dan menerima hasil grading secara real-time. Aplikasi ini dikembangkan mengikuti alur kerja UI/UX terstruktur menggunakan Figma dan diimplementasikan dalam Dart, dengan cloud-based authentication dan manajemen profil. Integrasi dengan cloud memungkinkan inference yang skalabel dan efisien, menjadikan sistem ini andal untuk digunakan di lingkungan nyata. Solusi ini menawarkan alternatif yang cepat, objektif, dan skalabel untuk quality control di industri tuna, meningkatkan kesiapan ekspor dan konsistensi dalam standar grading.
Kata kunci: aplikasi mobile, computer vision, deep learning, EfficientNetV2-M, Figma, Flutter, Google Cloud Platform, learning rate scheduler, optimizer, tuna loin