<![CDATA[Penelitian ini bertujuan untuk menentukan kesegaran ikan menggunakan metode K-Nearest Neighbor (K-NN) dan pengolahan citra digital. Penelitian ini penting karena kualitas ikan segar menjadi tolak ukur utama bagi konsumen, mengingat kandungan nutrisi seperti protein, omega-3, kalsium, vitamin D, dan fosfor yang tinggi. Sayangnya, tidak semua orang dapat membedakan ikan segar dari yang tidak layak konsumsi, yang berpotensi menyebabkan keracunan. Teknologi pengolahan citra diusulkan sebagai solusi untuk mengklasifikasikan kesegaran ikan berdasarkan parameter warna mata dan tubuh ikan. Metode yang digunakan melibatkan pengumpulan data citra RGB, preprocessing dengan konversi ke grayscale, ekstraksi fitur menggunakan metode HSV dan GLCM, serta klasifikasi menggunakan KNN dengan nilai k variabel. Hasil penelitian menunjukkan bahwa metode ini efektif dan efisien dalam menentukan kesegaran ikan, dengan akurasi yang signifikan Metode GLCM digunakan untuk ekstraksi fitur dengan sudut 0°, 45°, 90°, dan 135°, serta jarak ketetanggaan d={1 dan 2}. Model K-NN dibor dengan nilai k={3, 5, 7, dan 9}, menunjukkan hasil akurasi yang bervariasi berdasarkan jarak ketetanggaan (d) dan nilai k yang digunakan dalam klasifikasi K-NN. Korelasi dengan d=1 dan k=3: rata-rata 95,16%.Korelasi dengan d=1 dan k=5: rata-rata 94,91 ,Korelasi dengan d=1 dan k=7: rata-rata 96,7. Korelasi dengan d=1 dan k=9: rata-rata 97,38. Hasil pengujian akurasi menunjukkan bahwa kombinasi parameter jarak tetangga d=1 dan d=2 dengan nilai k=7 dan k=9 memberikan kinerja terbaik.]]>
