Dalam industri manufaktur, proses Quality Control (QC) memegang peranan penting untuk memastikan kualitas dan kelayakan produk. Namun, dalam praktiknya sering muncul permasalahan, adanya part kecil yang disusun di atas wadah atau tray yang tidak sesuai standar yang masuk dalam kategori tray not good (NG) namun tetap lolos proses pengecekan manual. Untuk mengatasi hal tersebut, penelitian ini mengusulkan sistem deteksi tray menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur MobileNetV2. Dataset yang digunakan terdiri dari 500 citra tray hasil pengambilan langsung di industri manufaktur otomotif, yang kemudian diperluas melalui teknik augmentasi. Model dilatih menggunakan optimizer Adam dengan variasi learning rate (0.0001, 0.001, dan 0.01), serta dievaluasi menggunakan metrik precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa learning rate 0.001 menghasilkan performa dengan nilai akurasi mencapai 96.54%. Sistem ini kemudian diimplementasikan dalam bentuk aplikasi berbasis web menggunakan Flask, yang dapat mendeteksi tray melalui tangkap gambar kamera maupun unggahan gambar. Dengan demikian, sistem yang dibangun terbukti mampu meningkatkan akurasi QC dan memiliki potensi untuk diterapkan di lingkungan produksi nyata.
Kata kunci: Quality Control, Tray Detection, CNN, MobileNetV2, Image Classification.