Minyak kelapa sawit adalah bahan utama dalam produksi minyak goreng dan juga digunakan dalam produksi sabun, lilin, kosmetik, tinta, dan pasta gigi. Minyak kelapa sawit dihasilkan dari buah sawit yang telah matang. Penentuan kematangan kelapa sawit dilihat dari bentuk dan warnanya, yang bisa ditentukan oleh orang yang berpengalaman. Untuk menghindari ketergantungan terhadap seseorang serta mempercepat proses deteksi kematangan, dirancang sistem dengan metode Convolutional Neural Network (CNN) untuk melakukan klasifikasi kematangan buah kelapa sawit. CNN menjadi salah satu terobosan baru dalam pemilahan dan penentuan kelapa sawit siap panen ataupun yang belum siap panen pada sistem produksi yang terkomputasi.
Tugas Akhir ini menggunakan dataset berupa citra dari buah kelapa sawit yang terdiri dari 3 kelas, kelas mentah, matang dan busuk dengan masing-masing kelas terdapat 100 citra sehingga total terdapat 300 citra. Dataset tersebut digunakan sebagai data train, data validation, dan data test dengan distribusi persentase sebanyak 65% data train, 20% data validation, dan 15% data test. Penelitian ini menggunakan CNN arsitektur MobileNet. Arsitektur MobileNet digunakan karena kompleksitasnya rendah dan arsitektur ini sederhana.
Pada Tugas Akhir ini pengujian dilakukan menggunakan 6 skenario untuk mendapatkan skenario terbaik. Skenario terbaik yang didapatkan dalam penelitian ini dengan menggunakan citra berukuran 224 × 224 pixel, optimizer RMSprop, learning rate 0.0001, epoch 50, dan batch 16. Dari skenario terbaik didapatkan hasil performa terbaik yaitu akurasi data latih 100% dengan loss 0,0349, akurasi data uji 100% dengan loss 0,0569, dan nilai recall 100%, precision 100%, dan f1-score 100%.