Kelapa sawit (Elaeis guineensis Jacq.) merupakan salah satu kekayaan alam yang berperan besar dalam pertumbuhan devisa Negara. Pengelolaan perkebunan kelapa sawit sering mengalami kendala, antara lain masalah Organisme Pengganggu Tumbuhan (OPT) terutama masalah penyakit. Penyakit tanaman kelapa sawit biasanya muncul pada daun sehingga dapat menurunkan kualitas tanaman. Umumnya, model deteksi otomatis pada penyakit daun kelapa sawit telah banyak dikembangkan, identifikasi yang dihasilkan pun beragam, karena itu penelitian ini membuat sistem identifikasi penyakit daun kelapa sawit pada latar belakang alami untuk membedakan kelas daun yang terinfeksi dan yang sehat. Pada sistem ini, citra daun kelapa sawit diakusisi dengan beberapa algortima pengolahan citra lalu dilakukan resize dilanjutkan dengan pre-processing. Ekstraksi fitur yang digunakan terdiri dari mean, standard deviation pada masing-masing channel RGB, skewness, entropy, variance dan kurtosis. Klasifikasi menggunakan K-Nearest Neighbor(KNN) dengan parameter jarak Euclidean, Manhattan dan Mahalanobis dengannilai k=1, k=3, k=5, k=7, dan k=9. Data yang digunakan 600 data citra, terdiri dari 360 data citra latih dan 240 data citra uji. Hasil pengujian mendapatkan akurasi tertinggi pada metode Mahalanobis dengan akurasi tertinggi sebesar 100% pada jarak k=1, k=3, k=5, dan k=7 sedangkan akurasi terendah terdapat pada metode Euclidean yaitu sebesar 87,5% pada jarak k=9.