Kelapa sawit merupakan komoditas penting di Indonesia, di mana produktivitasnya sangat bergantung pada kondisi kesehatan pohon. Monitoring kesehatan pohon kelapa sawit secara manual pada skala luas sering terkendala oleh keterbatasan waktu, tenaga, dan kondisi lapangan perkebunan. Oleh karena itu, penelitian ini mengembangkan model klasifikasi kesehatan pohon kelapa sawit menggunakan algoritma YOLO (You Only Look Once) yang mampu mendeteksi dan mengklasifikasikan objek pada citra udara perkebunan. Dataset yang digunakan terdiri dari citra udara perkebunan sawit dengan label pohon sehat dan tidak sehat, Namun, ditemukan ketidakseimbangan kelas, di mana jumlah label pohon sehat jauh lebih banyak dibangingkan dengan label pohon tidak sehat. Untuk mengatasi hal tersebut, dilakukan pendekatan oversampling dengan augmentasi pada kelas minoritas (tidak sehat). Selanjutnya, dilakukan hyperparameter tuning pada tiga parameter utama, yaitu learning rate, batch size, dan epoch menggunakan metode One-Factor-at-a-Time (OFAT). Model terbaik diperoleh pada konfigurasi epoch ke-100 dengan Accuracy sebesar 89,8%, Precision 90,4%, Recall 88,7%, F1-Score 89,5%, mAP50 sebesar 95,4%, dan mAP50–95 sebesar 81,7%.

Kata kunci: Kelapa Sawit, Kesehatan pohon, YOLO, Hyperparameter Tuning