Tingkat kematangan buah kelapa memiliki peran krusial dalam menentukan kualitas serta pemanfaatannya di berbagai bidang, seperti industri pangan, minuman, dan kosmetik. Penentuan tingkat kematangan yang akurat dan efisien sangat dibutuhkan guna mendukung proses produksi dan distribusi yang optimal. Selama ini, penentuan kematangan buah kelapa masih banyak dilakukan secara manual, yang tidak hanya memerlukan waktu lama tetapi juga rawan terhadap kesalahan subjektif. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi otomatis tingkat kematangan buah kelapa menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur VGG-19 (Visual Geometry Group). Citra buah kelapa dengan berbagai tingkat kematangan dikumpulkan dan digunakan sebagai data pelatihan dan pengujian dalam membangun model klasifikasi. Proses pelatihan dilakukan melalui beberapa tahap seperti preprocessing citra, augmentasi data, serta pengaturan parameter model. Hasil pengujian menunjukkan bahwa model CNN yang dikembangkan mampu mengklasifikasikan tingkat kematangan buah kelapa dengan sangat baik, dengan nilai akurasi, presisi, recall, dan F1-score sebesar 98%. Kinerja tersebut menunjukkan bahwa model ini mampu membedakan kategori kematangan buah kelapa secara akurat dan konsisten. Selain itu, sistem ini memberikan alternatif yang lebih cepat, efisien, dan objektif dibandingkan dengan metode manual.

Kata kunci: klasifikasi, kematangan buah kelapa, Convolutional Neural Network (CNN)