Tanaman cabai adalah salah satu hortikultura produk pertanian yang mempunyai peranan penting dalam memenuhi kebutuhan pangan dan industri. Budidaya cabai merupakan sumber pendapatan bagi banyak petani di seluruh dunia. Namun budidaya cabai seringkali menghadapi berbagai tantangan seperti penyebaran penyakit, hama, dan faktor lingkungan yang tidak sesuai. Penelitian ini bertujuan mengimplementasikan CNN dan image processing untuk klasifikasi penyakit tanaman serta pemantauan pertumbuhan tanaman cabai. Klasifikasi terbagi menjadi tiga kelas yaitu: DaunSehat, KeritingMozaik, dan VirusGemini. Metode CRISP-DM diterapkan dalam penelitian ini dengan tahapan business understanding, data understanding, data preparation, modeling, evaluation, dan deployment, dengan memastikan pendekatan yang sistematis dan komprehensif. Hasil evaluasi menunjukkan bahwa model CNN yang dilatih menggunakan data yang belum di augmentasi memiliki akurasi yang terbilang rendah yaitu 61.67%, sedangkan untuk model CNN yang dilatih menggunakan data yang sudah di augmentasi memiliki akurasi yang tinggi yaitu 95.73%. Penelitian ini belum berhasil merancang sistem pengukuran otomatis menggunakan image processing yang cukup presisi. Hal ini ditunjukkan oleh tingginya nilai Mean Absolute Error (MAE) pada pengukuran tinggi tanaman, yaitu sebesar 4.836 cm dengan rata rata relative error percentage 12.27%, dan pada pengukuran luas daun sebesar 2.929 cm² dengan rata rata relative error percentage 7.64%.