Kelapa sawit (Elaeis guineensis) merupakan komoditas utama penghasil minyak nabati di Indonesia. Tingkat kematangan buah sawit sangat memengaruhi kualitas dan kuantitas minyak yang dihasilkan. Namun, metode penilaian kematangan yang masih digunakan bersifat konvensional, subjektif, dan kurang efisien. Penelitian ini bertujuan untuk merancang sistem deteksi kematangan buah sawit menggunakan metode deep learning berbasis Convolutional Neural Network (CNN) dalam aplikasi Android. Sistem ini memanfaatkan citra buah sawit sebagai input untuk mengklasifikasikan tingkat kema¬tangan berdasarkan karakteristik visual seperti warna. Dataset yang digunakan terdiri dari 2.360 gambar buah sawit dengan empat kelas kematangan mentah, mengkal, matang, dan busuk. Model dilatih menggunakan 5 model Transfer learning yaitu ResNet50V2, Xception, InceptionV3, DenseNet201, Efficient¬NetV2S, serta diterapkan teknik augmentasi data dan Bayesian tuning untuk meningkatkan performa. Hasil pelatihan menunjukkan bahwa model InceptionV3 memberikan hasil terbaik dengan akurasi 98,30%, F1-Score sebesar 98, dan AUC sebesar 0,98. Model ini kemudian di¬integrasikan ke dalam aplikasi Android