PENERAPAN LOCAL BINARY PATTERN HISTOGRAM DAN K-NEAREST NEIGHBOR UNTUK KLASIFIKASI CITRA PENYAKIT DAUN KENTANG

Abstract

Penyakit pada daun kentang dapat menyebabkan penurunan kualitas dan kuantitas hasil panen sehingga diperlukan proses identifikasi yang cepat dan akurat. Identifikasi secara manual oleh petani masih memiliki keterbatasan karena bergantung pada pengalaman dan pengamatan visual yang bersifat subjektif. Penelitian ini bertujuan untuk mengidentifikasi penyakit daun kentang menggunakan metode Local Binary Pattern Histogram (LBPH) sebagai ekstraksi fitur dan K-Nearest Neighbor (KNN) sebagai metode klasifikasi. Dataset yang digunakan terdiri dari tiga kelas, yaitu Early Blight, Late Blight, dan Healthy, yang diperoleh dari Kaggle. Tahapan penelitian meliputi pra-pemrosesan citra berupa resize dan konversi grayscale, ekstraksi fitur menggunakan LBPH, serta klasifikasi menggunakan KNN dengan nilai K = 3 dan K = 5. Evaluasi performa model dilakukan menggunakan confusion matrix dan akurasi klasifikasi. Hasil pengujian menunjukkan bahwa metode LBPH mampu mengekstraksi karakteristik tekstur daun kentang dengan baik sehingga dapat digunakan sebagai fitur masukan bagi algoritma KNN. Berdasarkan hasil evaluasi model KNN dengan nilai K = 5 menghasilkan performa terbaik dibandingkan K = 3, yaitu sebesar 83.90%. Penelitian ini menunjukkan bahwa kombinasi metode LBPH dan KNN dapat digunakan untuk membantu proses identifikasi penyakit daun kentang secara otomatis dan memberikan hasil klasifikasi yang cukup baik