La industria de la palma aceitera es vital para la economía de Malasia. Sin embargo, está amenazada por el hongo, que causa la enfermedad de la pudrición del tallo basal (BSR). Los síntomas foliares de la enfermedad incluyen la aparición de varias lanzas sin abrir, coronas planas y tamaño de corona pequeño. El efecto de esta enfermedad depende de la gravedad de la infección. Actualmente, la enfermedad puede detectarse manualmente analizando la estructura física del árbol de palma aceitera. El escaneo láser terrestre (TLS) es un método de alcance activo que utiliza luz láser, que puede representar directamente la estructura externa del árbol. Este estudio tuvo como objetivo clasificar los niveles de salud de la enfermedad BSR utilizando un enfoque de aprendizaje automático (ML). Un total de 80 árboles de palma aceitera con cuatro niveles de salud predefinidos fueron determinados por los expertos durante la recolección de datos, con 40 cada uno para entrenamiento y prueba. Los cuatro niveles de salud son T0 (sano), T1 (levemente infectado), T2 (moderadamente infectado) y T3 (gravemente infectado), con 10 árboles en cada nivel. Un escáner terrestre fue montado a una altura de 1 m, y cada palma aceitera fue escaneada en cuatro posiciones a una distancia de 1.5 m alrededor del árbol. Cinco características del árbol fueron extraídas de los datos de TLS: C200 (sección de corona a 200 cm desde la parte superior), C850 (sección de corona a 850 cm desde la parte superior), área de corona (número de píxeles dentro de la corona), ángulo de fronda y número de frondas. C200 y C850 se obtuvieron utilizando el método de estratificación de coronas, mientras que las otras tres características se obtuvieron a partir de la imagen de arriba hacia abajo. Las características obtenidas fueron luego analizadas por análisis de componentes principales (PCA) para reducir la dimensionalidad del conjunto de datos y aumentar su interpretabilidad al mismo tiempo que se minimiza la pérdida de información. Los resultados mostraron que el modelo de Bayes ingenuo con kernel (KNB) desarrollado utilizando los parámetros de entrada de los componentes principales (PC) 1 y 2 tuvo el mejor rendimiento entre otros 90 modelos con una precisión de nivel múltiple del 85% y un coeficiente Kappa de 0.80. Además, la combinación de las dos varianzas más altas de los PC con mayor peso en el número de frondas, ángulo de fronda, área de corona y C200 contribuyeron significativamente al éxito de la clasificación. El modelo también pudo clasificar árboles sanos y levemente infectados con una precisión del 100%. Por lo tanto, se puede concluir que el enfoque de ML utilizando datos de TLS puede utilizarse para predecir la infección temprana de BSR con alta precisión.