Pada beberapa tahun terakhir, dampak serangan hama dan serangga pada budidaya kelapa sawit di Indonesia semakin meningkat. Selain itu, penyakit dan hama dari tanaman lain juga menjadi masalah penting di perkebunan kelapa sawit sehingga dapat mengancam masa depan industri kelapa sawit di Indonesia. Metode pengawasan penyakit tradisional memerlukan kunjungan lapangan dan diagnostik laboratorium sehingga dalam skala yang besar prosedurnya cukup menantang dan memakan banyak waktu serta membutuhkan pemeriksaan yang terus berlanjut oleh para ahli. Teknologi computer vision dan machine learning telah banyak dimanfaatkan untuk menerapkan aplikasi yang beragam di bidang agrikultur seperti pemantauan pertumbuhan, pemanenan otomatis, klasifikasi kualitas, dan deteksi penyakit. Penelitian ini mengusulkan penerapan computer vision dan machine learning untuk melakukan klasifikasi pada citra batang kelapa sawit yang sehat dan yang terinfeksi. Fitur citra diekstraksi menggunakan Convolutional Neural Network (CNN) ResNet pra-latih dan menghasilkan 2.048 fitur. Sebanyak 813 fitur diperoleh dari hasil seleksi fitur menggunakan metode SelectFromModel. Fitur-fitur tersebut digunakan dalam klasifikasi Support Vector Machine (SVM). Cross validation sebanyak 5 fold dilakukan untuk mendapatkan hyperparameter terbaik yaitu C=0,01 untuk model SVM. Performa model SVM dengan hyperparameter terbaik dievaluasi dengan menggunakan set data pengujian sebanyak 400 citra dan memberikan hasil yang baik, dengan recall sebesar 84,42%, presisi 86,15%, F1-Score 85,28%, dan akurasi 85,5%. Presisi yang lebih tinggi dibandingkan dengan recall mengindikasikan kewaspadaan model dalam memprediksi batang yang terinfeksi sehingga mengurangi kemungkinan memprediksi batang yang sehat secara salah sebagai terinfeksi.