<![CDATA[Fresh Fruit Bunches (FFB) of oil palm play a crucial role in the palm oil industry, particularly in determining the quality and quantity of palm oil production. Identifying the maturity level of FFB is a key factor in ensuring optimal production outcomes. This study proposes a method for classifying FFB maturity using the Xception architecture based on Convolutional Neural Networks (CNN). The dataset consists of 1000 images, divided into two categories: 'ripe' and 'unripe'. The preprocessing phase included image augmentation techniques to increase training data variation. Model evaluation was conducted using an 80:20 data split for training and validation. The results showed that the Xception model achieved an accuracy of 99%, with a precision of 0.99, recall of 1.00, and an F1-score of 1.00 for the 'ripe' class. These findings demonstrate the effectiveness of the Xception architecture in FFB maturity classification and suggest potential future development with a larger dataset and Android-based application implementation.Keywords: Fresh Fruit Bunches; Classification; Oil Palm; CNN; Xception; Adamax AbstrakTandan Buah Segar (TBS) kelapa sawit memainkan peran penting dalam industri kelapa sawit, khususnya dalam menentukan kualitas dan kuantitas hasil produksi minyak sawit. Penentuan tingkat kematangan TBS menjadi aspek kunci untuk memastikan produksi yang optimal. Penelitian ini menawarkan pendekatan klasifikasi kematangan TBS menggunakan arsitektur Xception  yang didukung oleh jaringan syaraf tiruan Convolutional Neural Network (CNN). Dataset yang digunakan berjumlah 1000 gambar, dibagi menjadi dua kategori, yaitu matang dan mentah. Tahapan preprocessing dilakukan dengan teknik augmentasi gambar untuk meningkatkan variasi data pelatihan. Evaluasi model menggunakan pembagian data sebesar 80% untuk pelatihan dan 20% untuk validasi. Hasil pengujian menunjukkan bahwa model Xception mampu mencapai akurasi hingga 99%, dengan precision 0,99, recall 1,00, dan F1-score 1,00 pada kelas matang. Temuan ini menegaskan kemampuan arsitektur Xception dalam melakukan klasifikasi tingkat kematangan TBS, serta berpotensi untuk dikembangkan lebih lanjut dengan dataset yang lebih besar dan diterapkan pada aplikasi berbasis Android. ]]>
