<![CDATA[Penyakit pada tanaman obat dapat menyebabkan gangguan pertumbuhan, layu, hingga kematian tanaman, sehingga diperlukan identifikasi dini untuk mencegah kerusakan lebih lanjut. Dengan perkembangan teknologi, pengolahan citra digital menjadi solusi yang efisien dalam identifikasi penyakit pada daun tanaman obat. Penelitian menghadapi tantangan berupa keterbatasan data citra penyakit daun tanaman obat yang tidak seimbang (imbalanced data), yang dapat memengaruhi kinerja algoritma klasifikasi. Oleh karena itu, diperlukan proses augmentasi data untuk meningkatkan jumlah dan keragaman data. Penelitian ini bertujuan untuk menganalisis pengaruh augmentasi data terhadap kinerja algoritma K-Nearest Neighbor (K-NN) dalam mengidentifikasi penyakit daun tanaman obat, menggunakan berbagai skenario pengujian pada dataset yang telah diaugmentasi. Penelitian ini melibatkan pengumpulan dataset citra dari beberapa wilayah di Bali seperti wilayah Denpasar Selatan, Kabupaten Tabanan, dan Kabupaten Negara. Dataset diolah menggunakan teknik augmentasi seperti rotasi, resize, dan pembersihan background. Identifikasi dilakukan menggunakan algoritma K-NN, dengan pengujian terhadap enam skenario berdasarkan variasi resolusi dan distribusi data. Evaluasi dilakukan menggunakan confusion matrix untuk menghitung precision, recall, dan F1-score. Proses augmentasi data meningkatkan jumlah dataset dari 300 menjadi 1200 citra. Hasil pengujian menunjukkan skenario kedua, dengan resolusi 700x700 piksel dan dataset balanced, mencapai akurasi tertinggi sebesar 87% pada nilai K=2. Algoritma K-NN menunjukkan performa optimal dengan data yang telah diaugmentasi, menghasilkan prediksi yang lebih akurat dan konsisten.]]>
