Klasifikasi Citra Daun Kelapa Sawit Menggunakan Metode KNN dan Naive Bayes

Abstract

Kelapa sawit (Elaeis guineensis) merupakan komoditas strategis yang berperan penting dalam perekonomian Indonesia, khususnya sebagai penghasil minyak sawit mentah (Crude Palm Oil) yang menjadi salah satu komoditas ekspor utama. Produktivitas kelapa sawit sering kali terancam oleh serangan hama daun seperti ulat api (Setora nitens), kutu daun (Aphis gossypii), tungau merah (Oligonychus sp.), dan Valanga nigricornis, serta beberapa penyakit seperti Blight, Chlorosis, Crinkled Leaf, dan Orange Spotting . Serangan tersebut dapat mengakibatkan penurunan hasil panen yang signifikan, sehingga deteksi dan identifikasi dini menjadi sangat penting. Metode identifikasi manual di lapangan memiliki keterbatasan dalam hal kecepatan, akurasi, dan konsistensi, sehingga dibutuhkan teknologi yang mampu melakukan klasifikasi secara otomatis. Penelitian ini bertujuan membandingkan kinerja algoritma K-Nearest Neighbor (KNN) dan Naive Bayes dalam mengklasifikasikan hama dan penyakit pada daun kelapa sawit menggunakan pengolahan citra digital. Dataset yang digunakan terdiri dari 3.600 citra beresolusi 800×800 piksel, terbagi dalam sembilan kelas yang mencakup empat jenis penyakit, empat jenis hama, dan satu kelas daun sehat. Tahapan penelitian meliputi praproses citra berupa konversi format, resize, crop, dan penamaan ulang file. Ekstraksi fitur dilakukan melalui analisis warna (nilai rata-rata dan standar deviasi kanal RGB) dan analisis tekstur menggunakan metode Gray Level Co-occurrence Matrix (GLCM) dengan parameter contrast, energy, homogeneity, dan entropy. Data dibagi menjadi 70% untuk pelatihan dan 30% untuk pengujian, kemudian dilakukan klasifikasi menggunakan KNN dan Naive Bayes. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa KNN memiliki kinerja lebih unggul dibandingkan Naive Bayes. KNN mencapai akurasi 71% dengan presisi dan recall yang relatif seimbang pada seluruh kelas, sedangkan Naive Bayes hanya mencapai akurasi 42% dan cenderung tidak seimbang pada beberapa kelas. Temuan ini menunjukkan bahwa KNN lebih sesuai digunakan pada klasifikasi hama daun kelapa sawit berbasis pengolahan citra untuk dataset berukuran sedang dengan variasi tekstur dan warna yang tinggi. Penelitian ini merekomendasikan penerapan KNN dalam sistem deteksi hama otomatis berbasis perangkat bergerak atau Internet of Things (IoT) guna membantu petani dan pengelola perkebunan dalam identifikasi cepat dan akurat, sehingga dapat mengurangi kerugian dan mendukung penerapan pertanian presisi di Indonesia.