Permasalahan utama dalam produksi kelapa sawit di PT Arta Prigel Lahat adalah ketidakseimbangan antara hasil panen, luas lahan, dan jumlah tanaman, yang menyulitkan proses prediksi secara akurat. Penelitian ini bertujuan untuk mengestimasi produksi kelapa sawit di perusahaan tersebut dengan memanfaatkan algoritma deep learning, yaitu Recurrent Neural Network (RNN) dan Long Short-Term Memory (LSTM). Metode yang digunakan mengacu pada pendekatan CRISP-DM, yang meliputi tahap pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan penyebaran. Data historis tahun 2022–2024 digunakan sebagai dasar analisis, dengan mempertimbangkan variabel seperti curah hujan, hari hujan, pemupukan rotasi 1 dan 2, luas lahan, jumlah tanaman, dan serangan hama. Evaluasi menggunakan metrik Mean Absolute Percentage Error (MAPE) menunjukkan bahwa model RNN memiliki nilai kesalahan sebesar 28,29% dengan estimasi produksi 11.293,25 kg, sedangkan model LSTM memiliki MAPE sebesar 16,27% dengan estimasi 17.503,60 kg. Hasil ini menegaskan bahwa model LSTM lebih unggul dalam mengenali pola jangka panjang dan menghasilkan prediksi yang lebih akurat, sehingga berpotensi menjadi alat bantu strategis dalam perencanaan produksi kelapa sawit yang adaptif, presisi, dan berbasis data.