Inorganic garbage is a type of garbage which takes a long time to decompose naturally, and it is important to recycle this type of garbage to avoid it stacking up in the environment. Before the recycle process, the inorganic garbage will be grouped which needs an identification of its form of material. The digital image processing can be used to create a system which could identify the form of material the inorganic garbage is by analyzing the features. In this research, the feature that will be used is the texture feature. The texture feature will be extracted using the Gray Level Co-Occurrence Matrix, and Gray Level Run Length Matrix method. And for the material of garbage identification will use the Improved KNN classification method. The results of the test by using 50 images as data testing from 5 different material of garbage which is cardboard, glass, metal, paper, and plastic type of garbage have the highest mean of accuracy 90,4% by using the GLRLM method with 135° angle of extraction. Meanwhile the accuracy when combining the extraction methods, which is adding up the value of GLCM and GLRLM, have the highest mean of accuracy 88% with 0° angle of extraction

Tanaman anggur rentan terhadap serangan penyakit dimana penyakit ini dapat diketahui dari bercak yang terdapat pada daun. Contoh penyakit pada tanaman anggur adalah bercak daun, campak hitam dan hawar daun. Penyakit pada daun anggur memiliki kemiripan sehingga sulit untuk dikenali secara visual dan berdampak pada kurang akuratnya penyakit yang diidentifikasi. Tujuan dari penelitian adalah untuk membangun aplikasi klasifikasi penyakit pada citra daun anggur sehingga dapat memberikan informasi jenis penyakit. Klasifikasi menggunakan Gray Level Co-Occurrence Matrix (GLCM), Color Moment, dan K*Tree. Untuk dapat diklasifikasi, terlebih dahulu dilakukan proses pelatihan. Proses pelatihan diawali dengan input citra digital, kemudian ditransformasi dari Red Green Blue (RGB) ke Grayscale, ekstraksi fitur tekstur dengan GLCM dan ekstraksi fitur warna dengan Color Moment untuk mengetahui jenis penyakit daun anggur yang diklasifikasi. Hasil pelatihan disimpan ke basis data. Saat klasifikasi dengan K*Tree dilakukan pemrosesan citra input dengan cara yang sama saat pelatihan, kemudian dibandingkan dengan hasil pelatihan. Pengujian menggunakan 250 citra daun anggur yang diperoleh dari Dataset Kaggle, dimana 150 citra digunakan sebagai data latih dan 100 citra sebagai data uji. Hasil pengujian menunjukkan rata- rata akurasi dari klasifikasi adalah 87.5%, rata- rata presisi adalah 74.8%, rata- rata recall adalah 75% dan rata-rata error adalah 12.5%.