Penelitian ini bertujuan untuk (1) menerapkan metode K-Nearest Neighbor (KNN) untuk mengidentifikasi penyakit daun pada tanaman padi melalui citra gambar, serta (2) mengetahui hasil dari persamaan akurasi, presisi, dan recall klasifikasi penyakit daun tanaman padi. Penelitian ini merupakan penelitian yang menggunkan metode kuantitatif, yang mana data-data tersebut diambil dari kaggle dengan kata kunci rice leaf disease. Teknik pengambilan sampel dilakukan secara acak atau random sampling. Pengujian pada penelitian ini menggunakan metode confusion matrix yang mana menghitung nilai akurasi, presisi, dan rceall. Penelitian ini menggunakan teknik analisis kluster. Hasil penelitian ini adalah sebagai berikut. Pertama, dari banyaknya dataset yang diambil yaitu sebanyak 120 dataset yang kemudian dibagi menjadi 90 dataset latih dan 30 dataset uji, dapat mengklasifikasikan penyakit tanaman dengan nilai akurasi sebesar 73?ngan nilai tetangga (k) yaitu 3 dan offset (d) yaitu 5. Hasil akhir akurasi hanya terbatas sampai 73% dikarenakan beberapa faktor diantaranya yaitu, ukuran dan kualitas citra gambar, pra-processing yang dilakukan, metode ekstraksi yang digunakan, nilai tetangga dan ofset yang dipakai dalam perhitungan. Kemudian nilai perhitungan confusion matrix pada presisi memiliki nilai 85% pada kelas brown spot. Memiliki arti cenderung memberikan hasil positif yang benar untuk kelas-kelas brown spot, tetapi ada kemungkinan adanya beberapa false positive. Untuk nilai recall mendapatkan hasil sempurna yaitu 100% pada kelas bacterial leaf blight. Hal ini memiliki arti bahwa recall memiliki kepekaan yang tinggi terhadap kelas bacterial leaf blight. Kemudian pada Metode CNN hasil akurasi tertinggi pada epoch 10 dan learning rate 0,0001 dengan hasil sebesar 86,67%. Nilai presisi tertinggi pada kelas bacterial leaf blight dan brown spot dengan nilai 100%, sedangkan untuk recall tertinggi pada kelas leaf smut dengan nilai 90%. Dari kedua model, model CNN memiliki akurasi paling tinggi dibandingkan dengan K-NN hal ini karena CNN seringkali lebih unggul karena kemampuannya menangani kompleksitas fitur dan struktur citra yang tinggi.