Deteksi kualitas dalam penelitian ini dibagi menjadi dua kelompok yaitu Segar, Busuk. Penelitian ini bertujuan untuk mengklasifikasi kesegaran berdasarkan tingkat akurasi dengan menggunakan metode fitur ekstraksi yaitu gray level co- occurrence matrix. Metode penelitian ini terdiri dari : konversi data rgb ke grayscale, normalisasi citra, deteksi kualitas ikan cakalang menggunakan tekstur warna, ekstraksi fitur dan klasifikasi. Dalam penelitian ini digunakan data latih sebanyak 90 citra ikan cakalang yang merupakan data real. Data tersebut terdiri dari kualitas ikan cakalang di atas dan masing-masing terdiri dari yang Segar 45, dan Busuk 45. Data citra tersebut diolah menjadi citra grayscale yang kemudian dilakukan deteksi kualitas ikan cakalang menggunakan tekstur warna. Setelah didapat kualitas ikan cakalang kemudian dilakukan perhitungan ciri menggunakan gray level co-occurrence matrix. Algoritma yang digunakan untuk proses klasifikasi adalah algoritma k-nearest neighbor. Hasil akhir pengujian menunjukkan bahwa metode yang diusulkan telah mampu mendeteksi kualitas ikan cakalang menggunakan tekstur warna dengan hasil akurasi yang dihitung menggunakan confusion matrix, maka dapat ditarik suatu kesimpulan bahwa Pada percobaan model K-NN, dengan jumlah K = 1, dan Arah GLCM = 0o, dengan jarak = 1, maka mendapatkan nilai akurasi tertinggi Sebesar = 70%. Sedangkan pada percobaan model K-NN, dengan jumlah K = 2, dan Arah GLCM = 135o, dengan jarak = 2, maka mendapatkan nilai akurasi tertinggi sebesar = 60%. Pada percobaan model K-NN, dengan jumlah K = 3, dan Arah GLCM = 135o, dengan jarak = 1, Maka Mendapatkan Nilai Akurasi Sebesar = 60%. Pada percobaan model K-NN, dengan jumlah K = 4, dan Arah GLCM = 90o, dengan jarak = 4, Maka Mendapatkan Nilai Akurasi Sebesar = 80%. Pada percobaan dengan jumlah K = 4, dan Arah GLCM = 45o, dengan jarak = 4, maka mendapatkan nilai akurasi tertinggi Sebesar = 50%. Sedangkan pada percobaan dengan jumlah K = 3, dan Arah GLCM = 45o, dengan jarak = 3, maka mendapatkan nilai akurasi tertinggi sebesar = 70%. Dan dengan jumlah K = 1, dan Arah GLCM = 45o, dengan jarak = 1, Maka Mendapatkan Nilai Akurasi Sebesar = 50%. Pada percobaan model K-NN, dengan jumlah K = 2, dan Arah GLCM = 90o, dengan jarak = 2, Maka Mendapatkan Nilai Akurasi Sebesar = 40%. Dengan demikian penerapan metode gray level co-occurrence matrix dan k-nearest neighbor pada masalah deteksi kualitas ikan cakalang menggunakan tekstur warna perlu dikembangkan lagi hasil akurat.