Quality Classification of Palm Oil Varieties Using Naive Bayes Classifier

Novianti Puspitasari; Rosmasari Rosmasari; Fhanji Wilis  Pratama; Heni  Sulastri

doi:10.31849/digitalzone.v13i1.9773

Novianti Puspitasari Universitas Mulawarman
Rosmasari Rosmasari Universitas Mulawarman
Fhanji Wilis Pratama Universitas Mulawarman
Heni Sulastri Universitas Siliwangi

DOI: https://doi.org/10.31849/digitalzone.v13i1.9773

Keywords: confussion matrix;, palm oil;, quality;, naive bayes classifier;, varieties

Abstract

As one of the leading commodities of the Indonesian economy, the ever-increasing production of palm oil has created intense competition among palm oil (CPO) producers. This causes CPO producers to increase their palm oil production without compromising the quality of the palm oil produced. CPO producers are required to be able to objectively determine the quality of superior and precise oil palm varieties in order to produce high economic value palm oil. Therefore, a model is needed to determine the quality of oil palm from several existing varieties. The Naive Bayes Classifier method in this study was used to classify the quality of oil palm based on predetermined variables using a data set of 28 oil palm varieties. Method testing is done by using a confusion matrix and K-fold cross-validation scheme. This study shows a reasonably high accuracy value of 64.25% and a low error rate of 35.7%, indicating that the Naive Bayes Classifier can classify the quality of oil palm varieties quite well.

Downloads

Download data is not yet available.

References

N. Ngadi and M. Noveria, “Keberlanjutan Perkebunan Kelapa Sawit Di Indonesia Dan Prospek Pengembangan Di Kawasan Perbatasan,” Masy. Indones., vol. 43, no. 1, 2018.

R. Advent, Z. Zulgani, and N. Nurhayani, “Analisis faktor-faktor yang mempengaruhi ekspor minyak kelapa sawit di Indonesia Tahun 2000-2019,” e-Journal Perdagang. Ind. dan Monet., vol. 9, no. 1, pp. 49–58, 2021.

J. H. V Purba and T. Sipayung, “Perkebunan kelapa sawit indonesia dalam perspektif pembangunan berkelanjutan,” Masy. Indones., vol. 43, no. 1, 2018.

G. Alfikri and N. L. P. Hariastuti, “Peningkatan Kualitas Minyak Kelapa Sawit Dengan Pendekatan Lean Six Sigma (Studi Kasus di PT. Sawit Mas Parenggean),” J. Iptek, vol. 23, no. 1, pp. 47–54, 2019.

A. P. Wibawa, “Metode-metode Klasifikasi,” in Prosiding SAKTI (Seminar Ilmu Komputer dan Teknologi Informasi), 2018, vol. 3, no. 1, pp. 134–138.

D. A. Novilla, R. Goejantoro, and F. D. T. Amijaya, “Klasifikasi Data Nasabah Asuransi Dengan Menggunakan Metode Naive Bayes,” EKSPONENSIAL, vol. 10, no. 2, pp. 95–102, 2020.

A. P. Wibowo and S. Hartati, “Sistem Klasifikasi Kinerja Satpam Menggunakan Metode Naїve Bayes Classifier,” INOVTEK Polbeng-Seri Inform., vol. 1, no. 2, pp. 192–201, 2016.

A. A. Rahman and Y. I. Kurniawan, “Aplikasi Klasifikasi Penerima Kartu Indonesia Sehat Menggunakan Algoritma Naïve Bayes Classifier,” J. Teknol. dan Manaj. Inform., vol. 4, no. 1, 2018.

A. Ridwan, “Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 4, no. 1, pp. 15–21, 2020.

M. Y. Titimeidara and W. Hadikurniawati, “Implementasi Metode Naive Bayes Classifier Untuk Klasifikasi Status Gizi Stunting Pada Balita,” J. Ilm. Inform., vol. 9, no. 01, pp. 54–59, 2021.

C. Fadlan, S. Ningsih, and A. P. Windarto, “Penerapan Metode Naïve Bayes Dalam Klasifikasi Kelayakan Keluarga Penerima Beras Rastra,” JUTIM (Jurnal Tek. Inform. Musirawas), vol. 3, no. 1, pp. 1–8, 2018.

T. Imandasari, E. Irawan, A. P. Windarto, and A. Wanto, “Algoritma Naive Bayes Dalam Klasifikasi Lokasi Pembangunan Sumber Air,” in Prosiding Seminar Nasional Riset Information Science (SENARIS), 2019, vol. 1, pp. 750–761.

T. A. Pratiwi, M. Irsyad, R. Kurniawan, S. Agustian, and B. S. Negara, “Klasifikasi Kebakaran Hutan Dan Lahan Menggunakan Algoritma Naïve Bayes Di Kabupaten Pelalawan,” CESS (Journal Comput. Eng. Syst. Sci., vol. 6, no. 1, pp. 139–148, 2021.

V. R. S. Nastiti, S. Basuki, and H. Hilman, “Klasifikasi sinopsis novel menggunakan metode naïve bayes classifier,” J. Repos., vol. 1, no. 2, pp. 125–130, 2019.

A. Natuzzuhriyyah, N. Nafisah, and R. Mayasari, “Klasifikasi Tingkat Kepuasan Mahasiswa Terhadap Pembelajaran Secara Daring Menggunakan Algoritma Naïve Bayes,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 6, no. 3, pp. 161–170, 2021.

H. Annur, “Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes,” Ilk. J. Ilm., vol. 10, no. 2, pp. 160–165, 2018.

D. Rahayu, R. C. Wihandika, and R. S. Perdana, “Implementasi Metode Backpropagation Untuk Klasifikasi Kenaikan Harga Minyak Kelapa Sawit,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. e-ISSN, vol. 2548, p. 964X, 2018.

T. A. Mulyati, F. E. Pujiono, and P. A. Lukis, “Pengaruh lama pemanasan terhadap kualitas minyak goreng kemasan kelapa sawit,” J. Wiyata Penelit. Sains dan Kesehat., vol. 2, no. 2, pp. 162–168, 2017.

A. H. Nasrullah, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Produk Laris,” J. Ilm. Ilmu Komput. Fak. Ilmu Komput. Univ. Al Asyariah Mandar, vol. 7, no. 2, pp. 45–51, 2021.

I. Mubarog, A. Setyanto, and H. Sismoro, “Sistem Klasifikasi Pada Penyakit Breast Cancer Dengan Menggunakan Metode Naïve Bayes,” Creat. Inf. Technol. J., vol. 6, no. 2, pp. 109–118, 2021.

R. Ghaniy and K. Sihotang, “Penerapan Metode Naïve Bayes Classifier untuk Penentuan Topik Tugas Akhir,” Teknois J. Ilm. Teknol. Inf. dan Sains, vol. 9, no. 1, pp. 63–72, 2019.

A. Ahmad and A. Latief, “Perbandingan Metode KNN Dan LBPH Pada Klasifikasi Daun Herbal,” J. RESTI (Rekayasa Sist. Dan Teknol. Informasi), vol. 5, no. 3, pp. 557–564, 2021.

M. F. Rahman, D. Alamsah, M. I. Darmawidjadja, and I. Nurma, “Klasifikasi Untuk Diagnosa Diabetes Menggunakan Metode Bayesian Regularization Neural Network (RBNN),” J. Inform., vol. 11, no. 1, p. 36, 2017.

S. T. Rizaldi, A. Al Khairi, and M. Mustakim, “Text Mining Classification Opini Publik Terhadap Provider di Indonesia,” in Seminar Nasional Teknologi Informasi Komunikasi dan Industri, 2022, pp. 79–86.

M. D. Purbolaksono, M. I. Tantowi, A. I. Hidayat, and A. Adiwijaya, “Perbandingan Support Vector Machine dan Modified Balanced Random Forest dalam Deteksi Pasien Penyakit Diabetes,” J. RESTI (Rekayasa Sist. Dan Teknol. Informasi), vol. 5, no. 2, pp. 393–399, 2021.