Indonesia merupakan produsen utama minyak kelapa sawit dunia. Kualitas dan hasil minyak sawit sangat bergantung pada tingkat kematangan buah saat panen. Penilaian kematangan secara visual oleh tenaga kerja sering kali kurang akurat dan tidak selalu konsisten. Oleh karena itu, diperlukan sistem klasifikasi otomatis untuk membantu petani dalam menentukan waktu panen yang optimal. Penelitian ini mengembangkan sistem informasi berbasis Android untuk klasifikasi tingkat kematangan kelapa sawit ke dalam tiga kategori: mentah, matang, dan lewat matang. Sistem ini menggunakan algoritma Convolutional Neural Network (CNN) dengan pendekatan Transfer Learning pada arsitektur MobileNetV2, yang efisien untuk perangkat mobile. Dataset sebanyak 2.100 gambar diperoleh dari sumber terbuka dan dibagi menjadi data training (72%), validation (18%), dan testing (10%), kemudian diproses melalui teknik augmentasi dan normalisasi. Model dilatih menggunakan dua fase, yaitu feature extraction dan fine-tuning. Hasil evaluasi menunjukkan model mencapai akurasi sebesar 94,76% dengan F1-Score 94,23% pada data testing. Model kemudian dikonversi ke format TensorFlow Lite agar dapat dijalankan langsung di perangkat Android menggunakan bahasa pemrograman Kotlin. Aplikasi PalmClass memungkinkan pengguna mengunggah atau mengambil gambar kelapa sawit yang diklasifikasikan secara real-time. Pengujian Black Box menunjukkan seluruh fitur aplikasi berfungsi dengan baik, dan User Acceptance Testing (UAT) menghasilkan tingkat penerimaan sebesar 95,33% yang termasuk dalam kategori sangat setuju, menunjukkan bahwa aplikasi dapat diterima dan digunakan dengan baik oleh pengguna lapangan. Sistem ini diharapkan dapat menjadi solusi inovatif dalam mendukung pengambilan keputusan panen kelapa sawit yang lebih akurat dan terstandarisasi di sektor pertanian.