Oil palm harvesting is one of the most critical activities in the management of oil palm plantations. In harvesting oil palm fruit, oil palm farmers must also know the criteria/degree of maturity of the oil palm fruit because the maturity of the palm fruit greatly affects the quantity and quality of the oil. In general, two methods have been used to determine the maturity of oil palm fruit, namely the number of fruits that fall off and fall from oil palm fruit bunches and the color of the fruit. This method has drawbacks if too many fruits fall from the bunch and subjective color assessment of the fruit. This identification process has several weaknesses, such as the quality of the oil which will be reduced if many fruits fall from the bunch, and the subjective assessment of fruit color. One way that can be used to determine the level of ripeness in fruit is to use the convolutional neural network method because this method has good results in classifying 2-dimensional image data and the results of the resulting training model have a fairly light computation. The results of the training process obtained a model with an accuracy of 93.% with the resulting accuracy results it can be said that the results are quite good and the accuracy validation using the confusion matrix method has an accuracy rate of 90 %.

Pemanenan kelapa sawit merupakan salah satu kegiatan terpenting dalam pengelolaan perkebunan kelapa sawit. Dalam memanen buah sawit para petani sawit juga harus mengetahui kriteria/derajat kematangan dari buah sawit dikarenakan kematangan buah sawit sangat memepengaruhi kuantitas dan kualitas dari minyak. Pada umumnya ada dua acara yang telah digunakan untuk menetukan kematangan buah sawit yaitu dilihat dari jumlah jatuhnya buah yang terlepas dan jatuh dari tandan buah kelapa sawit dan warna yang terdapat pada buah tersebut. Cara ini mempunyai kekurangan bila terlalu
banyak buah yang jatuh dari tandannya dan penilaian warna pada buah yang subjektif. Proses identifikasi seperti ini mempunyai beberapa kelemahan seperti kualitas minyak yang akan berkurang bila banyak buah yang jatuh dari tandannya dan penilaian warna buah yang bersifat subjektif. Salah satu cara yang dapat digunakan untuk menentukan tingkat kematangan pada buah adalah dengan menggunakan metode convolutional neural network, karena metode ini memiliki hasil yang baik dalam mengklasifikasi data citra 2 dimensi dan hasil training model yang dihasilkan memiliki komputasi yang cukup ringan. Hasil proses training diperoleh model dengan akurasi sebesar 93,6 % dengan hasil akurasi yang dihasilkan dapat dikatakan bahwa hasil cukup baik dan hasil dari validari akurasi menggunakan metode confusion matrix memiliki tingkat akurasi sebesar 90%