Kanker payudara merupakan kondisi tumbuhnya sel-sel abnormal yang ada di jaringan payudara. Kanker payudara biasanya tumbuh di beberapa bagian yaitu di kelenjar yang menghasilkan cairan susu (lobules), di saluran yang membawa cairan susu ke puting (duktus) dan di jaringan lemak. Metode K-Nearest Neighbor bertujuan untuk mengklasifikasikan objek baru berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek baru tersebut. Dalam hal ini jumlah data atau biasa disebut dengan tetangga terdekat ditentukan oleh user yang dinyatakan oleh nilai k. Metode Gabor pada implementasi ini dimanfaatkan untuk menemukan Ekstraksi Fitur dan filterisasi adalah untuk menemukan Ekstraksi tekstur pada citra. Dan dilanjutkan dengan Metode KNearest Neighbor digunakan untuk mengklasifikasikan dan menentukan hasil dari perhitungan Fitur Filterisasi Gabor. Implementasi ini dilakukan sebagai sarana pembelajaran dimana Metode Gabor dan Metode K-Nearest Neighbor dapat digunakan untuk klasifikasi citra USG kanker payudara. Dari penelitian yang dilakukan didapat menggunakan 20 data training dan 10 data uji hasil fitur filterisasi gabor yaitu nilai kernel 16x16 yang menghasilkan konvolusi sebesar 4x4. Hasil presentase Akurasi sebesar 48%, Presisi sebesar 50%, dan Sensifitas sebesar 52%.

Breast cancer is a condition where abnormal cells grow in breast tissue. Breast cancer usually grows in several parts, namely in the glands that produce milk (lobules), in the ducts that carry milk to the nipples (ducts) and in fatty tissue. The K-Nearest Neighbor method aims to classify new objects based on learning data that is closest to the new object. In this case the amount of data or commonly referred to as the nearest neighbor is determined by the user which is stated by the value of k. The Gabor method in this implementation is used to find Feature Extraction and filtering is to find Texture Extraction in the image. And continued with the K-Nearest Neighbor method used to classify and determine the results of the calculation of the Gabor Filtering Feature. This implementation is carried out as a learning tool where the Gabor Method and the KNearest Neighbor Method can be used to classify breast cancer ultrasound images. From the research conducted, it was obtained using 20 training data and 10 test data from the filtering feature, namely the kernel value of 16x16 which resulted in a convolution of 4x4. The results of the percentage of Accuracy is 48%, Precision is 50%, and Sensitivity is 52%.