Indonesia merupakan salah satu produsen utama pisang di dunia. Setelah dipanen, pisang dipilah berda sarkan tingkat kematangan dengan mengamati perubahan warna kulit dan bentuknya. Namun, pemilahan ini memerlukan banyak waktu dan tenaga karena besarnya volume produksi pisang. Oleh karena itu, ting kat kematangan pisang menjadi sangat penting dalam menentukan kualitas pisang. Dengan adanya pem belajaran mesin, menentukan tingkat kematangan pisang tidak lagi sesulit pada saat menggunakan metode tradisional. Salah satu cara yang dapat dipakai adalah menggunakan convolutional neural networks atau kependekannya CNN, yang merupakanarsitektur jaringan saraf tiruan yang canggih. Sebanyak 1000 citra pisang kultivar Prata Catarina (Musa Acuminata L.) dari 8 tingkat kematangan yang berbeda dikumpulkan dan diolah menggunakan teknik augmentasi untuk meningkatk- an keragaman data. Model CNN dengan arsitektur Densely Connected Convolutional (DenseNet) dilatih menggunakan data latih dan kemudian di evaluasi kinerjanya menggunakan data uji. Hasil evaluasi menunjukkan bahwa model DenseNet mampu mengklasifikasikan tingkat kematangan pisang dengan F1-score 95.37%, presisi 95.31%, akurasi 95.31%, dan recall 95.31%.
Kata kunci : pisang kultivar Prata Catarina (Musa Acuminata L.), pembelajaran mesin, densenet