Defisiensi nitrogen pada tanaman padi dapat terdeteksi dari perubahan warna daun. Namun, metode penilaian visual sering kali bersifat subjektif dan tidak konsisten. Penelitian ini mengembangkan sistem klasifikasi warna daun padi berbasis citra menggunakan pendekatan machine learning yang mengintegrasikan deteksi objek dengan YOLOv8 dan klasifikasi warna menggunakan Random Forest (RF). Tiga skema model diuji adalah RF, YOLOv8, dan gabungan YOLOv8+RF. Hasil menunjukkan bahwa model RF mencapai akurasi 86% namun sensitif terhadap noise latar belakang, sedangkan YOLOv8 mengalami kesalahan klasifikasi pada perbedaan warna yang halus (subtle) dengan akurasi hanya 73%. Model gabungan YOLOv8+RF menjadi pendekatan paling optimal dengan akurasi uji mencapai 100% pada 15 data gambar. Model ini terbukti robust terhadap variasi jarak pengambilan gambar (10–50 cm), intensitas cahaya (30–64000 lux). Dari sisi performa komputasi, pengujian menunjukkan bahwa implementasi cloud melalui server Flask lebih efisien waktu proses kurang dari 3 detik dibandingkan edge computing yang memerlukan sumber daya lebih besar dan rentan mengalami force closed di sisi aplikasi. Dengan hasil tersebut, sistem ini memberikan solusi yang akurat dan efisien untuk pemantauan defisiensi nitrogen berbasis warna daun secara real-time.