Sistem Klasifikasi Penyakit Daun Jagung Berbasis Analisis Tekstur Citra Daun dan Metode K-Nearest Neighbor
Penyakit daun jagung merupakan ancaman besar terhadap produksi jagung dan menyebabkan kerugian ekonomi yang signifikan di seluruh dunia. Diagnosis penyakit daun jagung yang tepat waktu dan akurat sangat penting untuk pengelolaan penyakit yang efektif. Penelitian ini mengusulkan pendekatan baru untuk mengembangkan sistem klasifikasi penyakit daun jagung menggunakan analisis tekstur gambar daun dan metode K-Nearest Neighbor (KNN). Sistem ini bertujuan untuk mengklasifikasikan penyakit daun jagung ke dalam kategori berbeda berdasarkan fitur tekstur yang diekstraksi dari gambar daun menggunakan metode Gray Level Co-Occurrence Matrix (GLCM) dan Local Binary Pattern (LBP). Dataset yang digunakan dalam penelitian ini merupakan dataset primer yang diperoleh dari lapangan dan sekunder yang diperoleh dari Kaggle, terdiri dari 560 citra daun jagung yang terbagi dalam empat kelas: hawar daun, bercak daun, karat daun, dan daun sehat. Dataset terdiri dari 504 citra untuk training dan 56 citra untuk testing, dengan perbandingan training 90% dan testing 10%. Sistem yang diusulkan melibatkan tiga tahap: akuisisi citra, ekstraksi fitur tekstur menggunakan GLCM dan LBP, dan klasifikasi penyakit menggunakan KNN. Evaluasi performa sistem dilakukan menggunakan confusion matrix dengan berbagai metrik, termasuk akurasi, presisi, recall, dan f-measure. Hasil pengujian menunjukkan bahwa sistem yang dikembangkan mencapai akurasi 93%, dengan rata-rata presisi, recall, dan f-measure 0,93 dalam mengklasifikasikan penyakit daun jagung. Meskipun hasilnya cukup baik, masih terdapat kesalahan dalam membedakan beberapa kategori penyakit tertentu. Dengan hasil ini, sistem mampu mendeteksi dini penyakit daun jagung guna membantu petani dalam pengelolaan tanaman secara lebih efisien.