Pencemaran lingkungan akibat logam berat seperti besi (Fe) berdampak negatif pada ekosistem dan kesehatan manusia. Salah satu senyawa besi yang umum digunakan dalam industri dan pengolahan air adalah FeCl₃, yang pada konsentrasi tinggi berpotensi menjadi polutan berbahaya. Teknik spektroskopi dan sensor kimia telah digunakan untuk mendeteksi FeCl₃, namun metode ini sering memerlukan peralatan mahal dan prosedur yang kompleks. Penelitian ini mengembangkan sistem deteksi FeCl₃ berbasis Deep Learning menggunakan model ResNet-50 dan DenseNet-121, dengan pendekatan analisis intensitas cahaya serta pola visual citra berdasarkan variasi konsentrasi FeCl₃. Metode mencakup sintesis carbon quantum dots (CQDs) dari bahan organik melalui pemanasan gelombang mikro sebagai sensor fluoresen. Pengukuran intensitas cahaya dilakukan menggunakan lux meter, sedangkan citra larutan dianalisis dalam format JPG. Hasil menunjukkan bahwa ResNet-50 mencapai akurasi 91,5%, dengan F1-score tertinggi 100% pada kelas 0,001 M. Model DenseNet-121 menunjukkan performa lebih unggul, dengan F1-score 100% pada kelas 0,001 M dan 1 M, serta rata-rata precision 97,8% dan recall 96,6%. Analisis perpendaran menunjukkan hubungan linear dengan titik peralihan pada konsentrasi 1 M, sementara regresi polinomial orde dua menjelaskan 97% variasi data (R² = 0,9779). Sistem ini menunjukkan potensi kuat untuk pemantauan kualitas air dan deteksi polutan secara akurat dan efisien.
Kata kunci: carbon quantum dots, FeCl₃, Deep Learning, ResNet-50,
DenseNet-121