Cabai (Capsicum annuum L.) merupakan komoditas hortikultura strategis, di mana mutu buah menentukan nilai ekonomi dan keberhasilan budidaya. Namun, penilaian mutu pra-panen masih bersifat manual dan subjektif. Penelitian ini bertujuan mengembangkan sistem klasifikasi mutu buah cabai pra-panen berbasis data vegetatif tanaman, seperti tinggi, jumlah daun, diameter batang, dan minggu pengamatan. Proses analisis mengikuti pendekatan metodologi CRISP-DM, yang terdiri dari enam tahap utama: business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Penelitian ini mencakup pembersihan data, rekayasa fitur, serta klasifikasi menggunakan algoritma machine learning. Model utama menggunakan pendekatan Two-stage XGBoost, yaitu sistem klasifikasi bertahap yang memisahkan grade C dari non-C, kemudian membedakan grade A dan B. Sebagai pembanding, digunakan model XGBoost Baseline dan MLP Baseline. Evaluasi menunjukkan Two-stage XGBoost unggul dengan akurasi 0,83, F1-score makro 0,82, dan AUC makro 0,86. Model ini kemudian diimplementasikan dalam aplikasi web berbasis Flask untuk memudahkan prediksi mutu secara langsung. Penelitian ini menunjukkan bahwa klasifikasi berbasis data vegetatif efektif meningkatkan ketepatan penilaian mutu dan mendukung digitalisasi pertanian presisi.