Komoditas perkebunan utama di Indonesia adalah kelapa sawit, yang menghasilkan minyak nabati vital bagi industri. Ekspor CPO Indonesia mencapai 75-80%, menunjukkan stabilitas produksi dan minat pasar yang tinggi. Tren pasar menunjukkan permintaan yang terus meningkat, terutama dari India, Tiongkok, Pakistan, Belanda, dan Amerika Serikat. Kualitas CPO ditentukan oleh parameter seperti FFA, moisture, dan dirt, dengan FFA menjadi kritis. Standar mutu SNI mencakup FFA kurang dari 5%, moisture 0.25%, dan dirt 0.25%, sementara DOBI juga memengaruhi kualitas. Penelitian ini bertujuan mengimplementasikan algoritma pembelajaran mesin untuk memprediksi kualitas CPO berdasarkan variabel FFA, Moisture, Dirt, dan DOBI, dengan tujuan meningkatkan efisiensi dan akurasi dalam penentuan mutu CPO sesuai permintaan konsumen. Penelitian menggunakan Klasifikasi Naïve Bayes untuk menentukan mutu CPO dari data produksi. Metode ini dipilih karena kecepatan, kemudahan, dan akurasi dalam klasifikasi. Data yang digunakan merupakan data primer mutu CPO dari PT Telen Prima Sawit Muara Bengkal Mill, dari Januari 2019 hingga Agustus 2023, dengan 6790 baris data. Variabel yang diamati meliputi FFA, Moisture, Dirt, dan DOBI. Model Klasifikasi Naïve Bayes memiliki akurasi tertinggi pada skema pembagian data 70:30 tanpa resampling, dengan akurasi mencapai 92.97%. Model berhasil memprediksi kelas positif (1) dengan 272 kasus benar (TP) dan kelas negatif (0) dengan 588 kasus benar (TN). Model juga menghasilkan 65 kasus prediksi positif yang seharusnya negatif (FP), tetapi tidak ada prediksi negatif yang seharusnya positif (FN). Metode Klasifikasi Naïve Bayes sukses mengklasifikasikan kualitas CPO dengan akurasi 92.97% pada skema 70:30 tanpa resampling. Skema pembagian data ini memberikan akurasi terbaik dengan minimal error rate 7.03% dalam 10-fold crossvalidation. Pengujian model dengan resampling (SMOTE dan Undersampling) membantu meningkatkan akurasi dan menyeimbangkan distribusi kelas pada data training, menunjukkan pentingnya resampling dalam memperbaiki kinerja model pada ketidakseimbangan kelas atau data.