<![CDATA[Chiffon cake adalah salah satu kue yang populer, dan kepuasan pelanggan sangat dipengaruhi oleh kualitas produk chiffon cake. Oleh karena itu, diperlukan sistem pengendalian kualitas yang efektif untuk mendeteksi chiffon cake yang cacat. Dalam penelitian ini, digunakan metode K-Nearest Neighbors (KNN) sebagai alat klasifikasi untuk mendeteksi produk chiffon cake yang cacat. Tujuan utama penelitian ini adalah membuat model sistem pengendalian kualitas yang dapat mengklasifikasikan chiffon cake secara otomatis ke dalam dua kategori: "lolos" dan "cacat." Sistem ini diharapkan dapat meningkatkan efisiensi proses produksi dan mengurangi kemungkinan produk cacat sampai ke tangan konsumen. Studi ini menggunakan KNN dan Gray Level Co-Occurrence Matrix (GLCM). Metode klasifikasi KNN bergantung pada pemilihan tetangga terdekat data untuk menentukan kategori kelasnya, sedangkan GLCM adalah teknik ekstraksi fitur yang digunakan untuk mengukur tekstur gambar dengan menganalisis hubungan antara dua piksel dalam orde kedua. Untuk melatih model KNN, studi ini menggunakan dataset yang diambil sendiri melalui pemotretan produk chiffon, kemudian diberi label "lolos" dan "cacat." Setelah melatih model, penulis melakukan pengujian dengan data uji untuk mengevaluasi kinerjanya. Hasil penelitian menunjukkan bahwa penerapan KNN memungkinkan pengklasifikasian chiffon cake dengan akurasi 90,4%. Validasi lebih lanjut dengan dataset yang lebih besar dan beragam diperlukan untuk memastikan bahwa model tetap robust dan dapat diandalkan dalam berbagai kondisi produksi. Abstract Chiffon cake is one of the popular types of cake, and customer satisfaction is greatly influenced by the quality of the chiffon cake. Therefore, an effective quality control system is necessary to detect defective chiffon cakes. In this research, the K-Nearest Neighbors (KNN) method is used as a classification tool to detect defective chiffon cakes. The main objective of this study is to create a quality control system model that can automatically classify chiffon cakes into two categories: "Pass" and "Not Pass." This model is expected to increase production efficiency and reduce the risk of defective products reaching consumers. This study uses KNN and the Gray Level Co-Occurrence Matrix (GLCM). The KNN classification method determines the class category by selecting the data's nearest neighbors, while GLCM is a feature extraction method that measures image texture by analyzing the correlation between two pixels in the second order. To train the KNN model, this study used a dataset of manually photographed products, labeled as "lolos" and "cacat" After training the model, this study evaluates its performance using test data. The research results showed that the KNN application can classify chiffon cakes with an accuracy of 90.4%. Further validation with larger and more diverse datasets is recommended to enhance the model's robustness and applicability.]]>
