Kabupaten Nunukan, yang terletak di Provinsi Kalimantan Utara, khususnya di Pulau Sebatik, memiliki potensi besar dalam produksi kelapa sawit. Proses manual dalam menentukan jenis kelamin bunga kelapa sawit seringkali menyebabkan kesalahan dan ketidakefisienan. Oleh karena itu, penelitian ini mengusulkan untuk mengembangkan sistem klasifikasi jenis kelamin bunga kelapa sawit secara otomatis berbasis citra dengan menggunakan salah satu arsitektur CNN (Convolutional Neural Network) yaitu VGG19. Dataset dalam penelitian ini menggunakan data primer yang terdiri dari 800 citra bunga kelapa sawit, masing-masing 400 citra untuk bunga jantan dan betina. Dataset kemudian diproses melalui tahapan preprocessing hingga menghasilkan total 1.164 citra baru yang digunakan untuk pelatihan model dengan pembagian proporsi 80% untuk data pelatihan, 10% untuk data validasi, dan 10% untuk data uji. Hasil pelatihan model CNN dengan arsitektur VGG19 terhadap 80% data pelatihan menunjukkan rata-rata nilai precision, recall, dan f1-score keseluruhan sebesar 100%. Begitu pula hasil evaluasi model pelatihan terhadap 10% data validasi dan 10% data uji menunjukkan nilai precision, recall, dan f1-score mencapai 100%. Namun pada saat sistem diimplementasikan menggunakan citra baru diluar dataset sebanyak 18 citra, masih terdapat kesalahan dalam mengidentifikasi bunga betina sebagai bunga jantan, sehingga menghasilkan rata-rata presisi sebesar 95%, recall 95%, dan F1-score 94%. Hasil pengujian ini menunjukkan, sistem berhasil mengklasifikasikan bunga kelamin kelapa sawit, meskipun masih terdapat kesalahan dalam implementasi sistem. Faktor kesalahan tersebut disebabkan oleh keterbatasan jumlah citra ataupun kurangnya variasi data latih. Sistem ini diharapkan dapat berkontribusi dalam bidang pertanian kelapa sawit, terutama dalam mengklasifikasikan bunga kelapa sawit. Kata kunci : Pengolahan Citra, Klasifikasi Bunga, Kelapa sawit, CNN, VGG19

Nunukan District, located in North Kalimantan Province, specifically on Sebatik Island, has great potential in oil palm production. The manual process of determining the sex of oil palm flowers often leads to errors and inefficiencies. Therefore, this research proposed to develop an image-based automatic palm oil flower sex classification system using one of the CNN (Convolutional Neural Network) architectures, namely VGG19. The dataset in this study utilized primary data consisting of 800 images of oil palm flowers, 400 images each for male and female flowers. The dataset was processed through the pre-processing stage to produce a total of 1,164 new images used for model training with a proportion of 80% for training data, 10% for validation data, and 10% for test data. The results of CNN model training with VGG19 architecture on 80% of the training data showed an overall average precision, recall, and fl-score value of 100%. Also, the evaluation results of the training model on 10% validation data and 10% test data showed that the precision, recall, and fl-score values reached 100%. However, when the system was implemented using 18 new images outside the dataset, there were still errors in identifying female flowers as male flowers, resulting in an average precision of 95%, recall of 95%, and F1-score of 94%. The results of this test indicated that the system succeeded in classifying the sex of oil palm flowers, although there were still errors in the implementation of the system. The error factor was caused by the limited number of images or the lack of variation in training data. This system is expected to contribute to the field of oil palm agriculture, especially in classifying oil palm flowers. Keywords: Image Processing, Flower Classification, Oil palm, CNN, VGG19