Indonesia merupakan negara penghasil kelapa, namun proses klasifikasi kualitas kelapa masih dilakukan secara manual sehingga membutuhkan banyak tenaga, biaya, dan waktu. Penelitian ini menggunakan metode Team Data Science Process sampai tahap pemodelan. Dalam penelitian ini, memanfaatkan algoritma machine learning seperti Random Forest, XGBoost, dan Decision Tree untuk mengembangkan model klasifikasi kualitas kelapa. Proses pemodelan mempertimbangkan proporsi pemisahan data yang berbeda untuk set training, validation dan test: 80:10:10, 70:20:10, 60:20:20, dan 50:20:30 dengan tujuan untuk mengidentifikasi proporsi optimal untuk mencapai akurasi yang lebih tinggi. Ekstraksi fitur dilakukan dengan menggunakan Color Moment untuk fitur warna, Gray Level Co-occurrence Matrix (GLCM) untuk fitur tekstur dan Histogram of Oriented Gradients (HOG) untuk fitur bentuk. Dataset berjumlah 1.750 gambar yang terdiri dari lima kelas kualitas kelapa: standar, pecah, busuk, tua, dan tumbuh tunas. Model klasifikasi terbaik dicapai dengan menggunakan algoritma XGBoost dengan proporsi split data 80:10:10, menghasilkan akurasi dan recall sebesar 82%, serta presisi dan f1-score sebesar 81% pada data test.
Kata Kunci : Klasifikasi Gambar;Random Forest;XGBoost;Decision Tree