Padi adalah tanaman pangan utama yang menghasilkan beras, yang menjadi makanan pokok mayoritas masyarakat Indonesia. Keberlanjutan produksi padi sangat penting dalam menjaga ketahanan pangan nasional. Namun, produktivitas padi sering kali terancam oleh berbagai penyakit yang disebabkan oleh jamur dan bakteri yang menyerang daun. Identifikasi dini penyakit ini penting untuk pencegahan dan pengendalian untuk meningkatkan hasil panen. Oleh karena itu, diperlukan metode yang akurat untuk mengenali tekstur dan warna pada daun padi. Penelitian ini bertujuan untuk mengetahui hasil penerapan ekstraksi fitur Gray Level Co-Occurrence Matrix (GLCM) dan Hue Saturation Value (HSV) dengan metode klasifikasi Decision Tree untuk deteksi penyakit pada daun padi. Data yang digunakan mencakup lima jenis penyakit daun padi, dengan total keseluruhan mencapai 313 citra, yaitu Brown Spot, Bacterial Leaf Blight, Rice Blast, Tungro,
dan Sheath Blight. Metode ekstraksi fitur diterapkan dengan rasio data 80:20, 70:30, dan 60:40, dengan analisis GLCM pada sudut 0°, 45°, 90°, dan 135° untuk mengidentifikasi tekstur daun padi. Hasil penelitian menunjukkan bahwa pada max_depth 10, kombinasi fitur HSV dan GLCM mencapai akurasi klasifikasi terbaik sebesar 95% pada rasio data 80:20 dengan sudut GLCM 90°. Fitur HSV menghasilkan akurasi sebesar 88%, sedangkan fitur GLCM dengan sudut 90° mencapai akurasi 77% pada rasio data 80:20. Ketika max_depth 6, kombinasi fitur HSV dan GLCM memberikan akurasi sebesar 94% pada rasio 80:20 dan sudut GLCM 90°. Fitur HSV sendiri juga mencapai akurasi 94%, sedangkan fitur GLCM hanya mencapai akurasi 75% pada rasio 80:20. Penelitian ini menunjukkan bahwa implementasi penggabungan kedua metode ekstraksi fitur ini dapat meningkatkan akurasi klasifikasi dan memberikan solusi yang lebih efisien dalam deteksi penyakit pada daun padi.