Klasifikasi Penyakit Daun Tomat Menggunakan Metode K-Nearest Neighbor dengan Segmentasi Watershed

Abstrak

Penyakit daun tomat merupakan salah satu penyebab utama penurunan produktivitas tanaman tomat yang berdampak langsung pada hasil pertanian. Identifikasi penyakit secara manual memiliki keterbatasan dari segi subjektivitas, waktu, dan konsistensi hasil diagnosis. Oleh karena itu, penelitian ini mengusulkan sistem klasifikasi penyakit daun tomat berbasis pengolahan citra digital dan machine learning dengan mengombinasikan segmentasi watershed, ekstraksi fitur warna HSV dan fitur tekstur Gray Level Co-occurrence Matrix (GLCM), serta algoritma K-Nearest Neighbor (KNN). Dataset yang digunakan terdiri dari 8.111 citra daun tomat single-leaf yang terbagi ke dalam sembilan kelas penyakit dan satu kelas daun sehat, serta dataset tambahan berupa citra multi-leaf untuk pengujian segmentasi. Proses penelitian meliputi prapemrosesan citra, segmentasi daun menggunakan watershed, ekstraksi fitur HSV dan GLCM, serta klasifikasi menggunakan KNN dengan jarak Euclidean. Hasil pengujian menunjukkan bahwa sistem mencapai akurasi sebesar 87,08% pada data latih, 82,96% pada data validasi, dan 81,98% pada data uji. Selain itu, segmentasi watershed terbukti mampu memisahkan objek daun pada citra multi-leaf dengan baik sehingga memungkinkan klasifikasi dilakukan secara individual pada setiap daun. Hasil penelitian ini menunjukkan bahwa kombinasi metode berbasis fitur manual dan KNN masih efektif dan relevan sebagai solusi klasifikasi penyakit daun tomat dengan kebutuhan komputasi yang relatif rendah.