P Proses penentuan buah sawit saat ini kebanyakan masih dilakukan secara manual, yang memiliki keterbatasan dari segi waktu, efisiensi, dan konsistensi. penelitian ini bertujuan untuk menentukan konfigurasi hyperparameter yang mampu menghasilkan performa yang baik pada model yolo26 dalam mendeteksi tingkat kematangan buah kelapa sawit. dataset yang digunakan adalah citra buah kelapa sawit yang sudah melalui tahap pelabelan, preprocessing dan augmentasi. berdasarkan perbandingan performa antarvarian yolo26, varian yolo26m dipilih sebagai model dasar. selanjutnya dilakukan optimasi hyperparameter menggunakan metode optimasi random search, grid search dan bayesian optimization dengan kombinasi weight decay, learning rate, batch size, dan optimizer. berdasarkan matriks evaluasi dan karakteristik kurva pelatihan, serta mempertimbangkan biaya dan waktu komputasi, metode bayesian optimization dipilih sebagai metode optimasi yang digunakan untuk memperoleh konfigurasi hyperparameter terbaik dengan nilai accuracy sebesar 0.9731, precision sebesar 0,993, recall sebesar 0,994, map50 sebesar 0,994, dan map50-95 sebesar 0,907. penelitian ini diharapkan dapat menjadi referensi dalam penerapan optimasi hyperparameter pada model yolo26 serta mendukung pengembangan sistem deteksi otomatis tingkat kematangan buah kelapa sawit berbasis computer vision.