Keywords
HSV
Naive Bayes
Tempurung Kelapa
How to Cite
Abstract
Penentuan kualitas arang tempurung kelapa sangat penting untuk mendukung daya saing industri arang di Indonesia. Namun, penilaian tingkat kematangan arang yang dilakukan dengan cara melihat fisik secara langsung dinilai kurang tepat. Data dikumpulkan dari lima lokasi produksi dengan total 180 sampel gambar yang telah diberi label kematangan. Penelitian ini bertujuan mengembangkan aplikasi Android untuk mengklasifikasikan tingkat kematangan arang tempurung kelapa secara otomatis menggunakan fitur warna (HSV) dan tekstur (GLCM), serta penerapan klasifikasi Naïve Bayes. Hasil pengujian menunjukkan model mampu mengklasifikasikan tiga kategori kematangan dengan akurasi 58%, dengan presisi tertinggi pada kategori matang. Sistem ini dapat meningkatkan efisiensi dan konsistensi pengendalian kualitas arang tempurung kelapa, sehingga memberikan manfaat nyata bagi industri dan mendorong penerapan teknologi digital dalam penilaian mutu produk arang.
References
[1] D. D. Aulia, “RI Produsen Kelapa Terbesar Ke-2 di Dunia, Ini Pesan Mendag.” [Online]. Available: https://finance.detik.com/berita-ekonomi-bisnis/d-7073367/ri-produsen-kelapa-terbesar-ke-2-di-dunia-ini-pesan-mendag
[2] M. H. Makaruku, V. L. Tanasale, and N. Goo, “Pemanfaatan Limbah Tempurung Kelapa Menjadi Briket Arang Sebagai Bahan Bakar Alternatif di Desa Kamarian Kecamatan Kairatu Kabupaten Seram Bagian Barat,” HIRPONO J. Pengabdi. Masy., vol. 2, no. 2, pp. 148–157, 2022.
[3] E. Budi, “Pemanfaatan Briket Arang Tempurung Kelapa Sebagai Sumber Energi Alternatif,” Sarwahita, vol. 14, no. 01, pp. 81–84, 2017, doi: 10.21009/sarwahita.141.10.
[4] A. K. M. & N. T. Supardi Manurung, “Coconut Shell Charcoal Processing Process Using a Modified Combustion Furnace,” Ris. BManado INo J, vol. 11, no. 2, pp. 83–92, 2020.
[5] V. Feriska Amalia and R. Rahma Dewi, “Penilaian Kesegaran Ikan Dengan Metode K-Nearest Neighbor Dan Pengolahan Citra Digital,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 4, pp. 7823–7829, 2024, doi: 10.36040/jati.v8i4.10441.
[6] D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” J. Sains Komput. Inform. (J-SAKTI, vol. 5, no. 2, pp. 697–711, 2021, doi: Vol.2 No2 Oktober 2022 E-ISSN 2807-6702 https://doi.org/10.55984/hirono/v2i2/114.
[7] S. Rizky, “Klasifikasi Kualitas Hasil Produksi Arang Tempurung Kelapa Menggunakan Metode Naive Bayes,” 2021, [Online]. Available: https://repository.uir.ac.id/8949/%0Ahttps://repository.uir.ac.id/8949/1/173510472.pdf
[8] H. Wijayanto, Y. K. Kumarahadi, and I. A. Prabowo, “IMPLEMENTASI MODEL WATERFALL DAN PENGUJIAN SYSTEM USABILITY SCALE (SUS) PADA PEMBUATAN WEBSITE PROGRAM STUDI INFORMATIKA BERBASIS WORDPRESS,” Indones. J. Bus. Intell., vol. 6, no. 1, Jun. 2023, doi: 10.21927/ijubi.v6i1.3375.
[9] A. Y. Simanjuntak, I. S. E. S. Simatupang, and A. Anita, “IMPLEMENTASI DATA MINING MENGGUNAKAN METODE NAÃVE BAYES CLASSIFIER UNTUK DATA KENAIKAN PANGKAT DINAS KETENAGAKERJAAN KOTA MEDAN,” J. Sci. Soc. Res., vol. 5, no. 1, p. 85, Feb. 2022, doi: 10.54314/jssr.v5i1.804.
[10] Aldi Saputra, Triyani Arita Fitri, Karpen, and Susanti, “Penerapan Data Mining Algortima C4.5 Dalam Memprediksi Predikat Kelulusan Mahasiswa Di Politeknik Kampar,” SATIN - Sains dan Teknol. Inf., vol. 9, no. 1, pp. 149–157, 2023, doi: 10.33372/stn.v9i1.990.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2025 Lutfi Subekti, Patmi Kasih, Danar Putra Pamungkas