Hama wereng coklat merupakan salah satu penyebab penurunan produktivitas padi sehingga diperlukan sistem klasifikasi tingkat serangan yang cepat dan akurat untuk mendukung identifikasi awal. Penelitian ini bertujuan membangun sistem klasifikasi tingkat serangan hama wereng coklat berbasis citra menggunakan pendekatan deep learning dengan metode transfer learning. Tiga arsitektur Convolutional Neural Network (CNN) pre-trained, yaitu ConvNeXt-Tiny, RegNetY-800MF, dan EfficientNet-B2, digunakan untuk mengklasifikasikan tingkat serangan ke dalam tiga kelas, yaitu ringan, sedang, dan berat. Model dilatih melalui beberapa skema, yaitu baseline tanpa augmentasi, baseline dengan augmentasi, hyperparameter tuning, dan Bayesian Optimization. Kinerja model dievaluasi menggunakan accuracy, precision, recall, F1-score, confusion matrix, waktu inferensi, dan ukuran model. Hasil penelitian menunjukkan bahwa skema Bayesian Optimization memberikan performa terbaik, dengan ConvNeXt-Tiny mencapai accuracy sebesar 85,34% dan weighted F1-score sebesar 81,21%. RegNetY-800MF menunjukkan kemampuan yang baik dalam mengenali kelas serangan berat, sedangkan EfficientNet-B2 memiliki ukuran model yang lebih kecil dengan waktu inferensi yang kompetitif. Model hasil penelitian kemudian diimplementasikan pada aplikasi Android dalam format Tensorflow lite dan dapat melakukan klasifikasi tingkat serangan melalui citra yang diunggah pengguna secara offline. Hasil penelitian menunjukkan bahwa pendekatan deep learning berbasis transfer learning mampu menghasilkan model yang dapat mengklasifikasikan tingkat serangan hama wereng coklat ke dalam kelas ringan, sedang, dan berat. Model terbaik kemudian berhasil diimplementasikan pada perangkat Android sebagai bentuk penerapan hasil penelitian.