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.
Kata Kunci : Penyakit Daun Jagung, K-Nearest Neighbor, Gray Level Co-Occurrence Matrix, Local Binary Pattern

Corn leaf diseases have a significant threat to corn production and cause considerable economic losses worldwide. Timely and accurate diagnosis of corn leaf diseases is crucial for effective disease management. This research proposed a new approach to develop a corn leaf disease classification system by using leaf image texture analysis and the K-Nearest Neighbor (KNN) method. The system aims to classify the corn leaf diseases into different categories based on texture features extracted from leaf images using the Gray Level Co-Occurrence Matrix (GLCM) and Local Binary Pattern (LBP) methods. The dataset used in this research is a primary dataset obtained from the field and a secondary dataset obtained from Kaggle, consisting of 560 images of corn leaves divided into four classes, namely the leaf blight, spot, rust, and healthy leaves. The dataset consists of 504 images for training and 56 images for testing, with a training ratio of 90% and testing 10%. The proposed system involves three stages: image acquisition, texture feature extraction using GLCM and LBP, and disease classification using KNN. System performance evaluation is conducted using a confusion matrix with various metrics, including accuracy, precision, recall, and f-measure. The test results show that the developed system achieves an accuracy of 93%, with average precision, recall, and f-measure of 0.93 in classifying corn leaf diseases. Although the results are quite good, there are still errors in distinguishing certain disease categories. With this result, the system is capable of early detection of corn leaf diseases to assist farmers in more efficient crop management. Keywords: Corn Leaf Diseases, K-Nearest Neighbor, Gray Level Co- Occurrence Matrix, Local Binary Pattern