Kota Tarakan yang terletak di Kalimantan Utara kaya akan keanekaragaman hayati khususnya jenis family arecaceae. Family arecaceae diketahui memainkan peran penting dalam ekosistem dan perekonomian lokal. Penelitian ini bertujuan untuk membangun sistem klasifikasi berbasis citra menggunakan metode deep learning khususnya CNN untuk mengidentifikasi jenis buah family arecaceae. dataset penelitian terdiri dari 420 citra awal palem raja dan pinang, yang kemudian diproses melalui tahap preprocessing, menghasilkan 1.338 citra. Pembagian dataset dilakukan dengan alokasi 75% untuk data latih, 10% data validasi, dan 15% data uji sekunder. Model CNN yang dilatih menunjukkan akurasi pelatihan sebesar 100% dan evaluasi menggunakan data validasi menghasilkan rata - rata presisi, recall, dan f1-score masing -masing 100%. Model kemudian diuji cobakan pada data uji sekunder hingga diperoleh rata-rata presisi sebesar 95%, recall dan f1-score masing-masing sebesar 94%, sedangkan evaluasi pada data uji primer menghasilkan rata-rata presisi sebesar 88%, recall 88%, dan f1-score 87% dengan ketetapan nilai threshold 95%. Hasil evaluasi ini menunjukkan bahwa penelitian ini berhasil membangun sistem klasifikasi yang efektif dalam mengenali dan menganalisis citra buah, meskipun masih terdapat kesalahan pada beberapa pengujian, khususnya data primer. Faktor kesalahan tersebut disebabkan oleh keterbatasan jumlah citra, kurangnya variasi data latih dan tidak ada tahapan preprocessing pada citra data uji. Sistem ini diharapkan dapat mendukung program konservasi dan pengelolaan sumber daya alam yang berkelanjutan, serta dapat diterapkan pada flora wilayah tropis lainnya.

Tarakan located in North Kalimantan, is rich in biodiversity, particularly in the Arecaceae family, which plays a crucial role in ecological balance and local economic sustainability. This study proposes an image-based classification system utilizing a Convolutional Neural Network (CNN) to identify Arecaceae fruit species accurately. A dataset comprising 420 initial images of Roystonea regia and Areca catechu was expanded through preprocessing techniques, resulting in 1,338 images The dataset was split into 75% training, 10% validation, and 15% testing subsets. A custom CNN model, trained using data augmentation techniques, achieved a training accuracy of 100%, while validation results showed an average precision, recall, and Fl-score of 100% Secondary test evaluation yielded an average precision of 95%, recall of 94%, and F1-score of 94%, whereas primary test evaluation produced an average precision of 88%, recall of 88%, and F1-score of 87% at a threshold of 95%. The findings demonstrate the effectiveness of deep learning in automating plant species classification, though challenges remain due to dataset limitations and lack of preprocessing for test data Future work should explore transfer learning with more extensive datasets and comparison with traditional machine learning models to enhance classification robustness. This system can serve as a foundation for automated biodiversity monitoring and conservation efforts in tropical regions.