Analisis Kombinasi K-Nearest Neighbor (KNN) dan K-Means pada Klasifikasi Penyakit Daun Padi dengan Menggunakan Metode Segmentasi Citra

Abstract

Penyakit daun padi menjadi salah satu faktor utama yang menyebabkan penurunan produktivitas tanaman padi dan berpotensi mengganggu ketahanan pangan di Indonesia. Proses identifikasi penyakit yang masih dilakukan secara manual sering kali membutuhkan waktu yang lama dan rentan terhadap kesalahan. Penelitian ini bertujuan untuk mengimplementasikan kombinasi algoritma K-Means dan K-Nearest Neighbor (KNN) pada klasifikasi penyakit daun padi menggunakan metode segmentasi citra. Dataset yang digunakan terdiri dari 5.932 citra daun padi dengan empat kategori penyakit, yaitu Bacterial Blight, Blast, Brown Spot, dan Tungro. Tahapan penelitian meliputi preprocessing citra berupa grayscale, resizing, dan flattening, kemudian dilanjutkan dengan segmentasi menggunakan K-Means serta klasifikasi menggunakan KNN. Pengujian dilakukan dengan beberapa rasio pembagian data dan variasi nilai K pada algoritma KNN. Hasil penelitian menunjukkan bahwa rasio data 90:10 menghasilkan akurasi terbaik sebesar 88% pada nilai K=1. Selain itu, model mampu mengenali sebagian besar jenis penyakit daun padi dengan baik meskipun masih terdapat kesalahan klasifikasi pada citra yang memiliki karakteristik visual serupa. Berdasarkan hasil tersebut, kombinasi metode K-Means dan KNN dinilai efektif dan berpotensi dikembangkan lebih lanjut sebagai sistem deteksi penyakit daun padi berbasis citra digital yang cepat dan efisien.