I Indonesia merupakan produsen kelapa sawit terbesar di dunia, namun dalam praktiknya masih menggunakan cara inspeksi manual yang kurang efisien. penelitian ini mengembangkan sistem deteksi kematangan buah kelapa sawit menggunakan yolov8 dengan framework novel convolutional neural network (ncnn) dan mekanisme duty cycle pada proses deteksi objek berbasis sensor tof yang dijalankan di raspberry pi 5. penelitian ini melakukan komparasi terhadap empat varian dari yolov8 (nano, small, medium, large). model diuji untuk mengukur akurasi map@0,5, laju frame (fps), latensi, dan konsumsi daya. hasil pengujian menunjukkan optimasi ncnn pada yolov8 nano menurunkan akurasi map@0,5 sebesar 2,25%, tetapi meningkatkan laju frame varian nano dari 2,14 menjadi 6,30 fps, serta menurunkan latensi hingga 65%. mekanisme duty cycle berbasis sensor tof menurunkan konsumsi daya rata-rata raspberry pi 5 sebesar 44,6%, tergantung varian model. kombinasi yolov8 nano dengan ncnn dan duty cycling memberikan performa paling optimal antara akurasi, kecepatan inferensi tertinggi, dan konsumsi daya terendah, sehingga berpotensi diadaptasi sebagai konfigurasi paling optimal untuk sistem deteksi kematangan kelapa sawit berbasis edge computing pada drone pertanian otonom.