Penyakit dan hama pada tanaman kelapa sawit merupakan tantangan utama dalam menjaga produktivitas dan keberlanjutan industri perkebunan. Ketidakefisienan dalam mendeteksi gejala sejak dini dapat mengakibatkan penurunan hasil panen secara signifikan. Penelitian ini mengembangkan sistem deteksi dini penyakit dan hama pada kelapa sawit menggunakan algoritma deep learning YOLOv11. Sistem ini bertujuan meningkatkan efisiensi pemantauan perkebunan dan mengurangi kerugian akibat serangan hama dan penyakit. Model YOLOv11 dilatih dengan dataset 2.544 citra yang telah di-anotasi ke dalam tujuh kelas utama, meliputi berbagai kondisi tanaman. Pelatihan dilakukan di platform komputasi awan dengan dukungan GPU. Model dievaluasi menggunakan presisi, recall, dan mean Average Precision (mAP). Hasil menunjukkan akurasi tinggi dan keseimbangan klasifikasi yang baik antar kelas, memungkinkan deteksi real-time. Sistem ini berpotensi diaplikasikan untuk pemantauan perkebunan kelapa sawit yang lebih efisien dan akurat