Penelitian ini membahas mengenai permasalahan dari kelemahan metode grading udang konvensional yang tidak seragam dalam menduga mutu udang karena tingkat persepsi manusia yang berbeda-beda. solusi yang ditawarkan adalah menggunakan teknologi cvar (computer vision dan analisis regresi) dalam menentukan size udang berdasarkan citra yang ditangkap kamera. tujuan dari penelitian ini adalah untuk menerapkan kombinasi metode k-means clustering dan morfologi dalam menentukan size dan kategori ukuran udang vaname, berdasarkan perbandingan area dalam piksel hasil olah citra dengan teknologi computer vision terhadap massa dalam gram, menggunakan persamaan regresi kuadratik terkecil. penelitian ini merupakan penelitian kuantitatif yang berfokus untuk mengetahui keterkaitan dari variabel dependen yang berupa massa terhadap variabel independen yang berupa area. data yang digunakan dalam penelitian ini adalah data primer dari hasil observasi dan pengukuran di lokasi penelitian. teknik pengambilan sampel yang digunakan adalah probability disproportionate stratified random sampling dikarenakan output dari sampel adalah klaster udang berdasarkan strata yang telah ditentukan. hasil dari penelitian ini menunjukkan kebaruan kombinasi metode yang diterapkan mampu menyegmentasi citra dengan sangat baik dengan nilai rmse 0.68 yang jauh lebih kecil dibandingkan thresholding yang sebesar 2.89 dan k-means clustering sebesar 0.73. hubungan variabel sangat kuat yang dinyatakan dengan korelasi sebesar 0.992. akurasi sistem dalam melakukan pengukuran massa sebesar 93.64% dan pengukuran size sebesar 93.37%, sedangkan akurasi sistem dalam klasterisasi ukuran udang sebesar 95.45%.

This study discusses the problem of the weakness of the conventional shrimp grading method which is not uniform in estimating the quality of shrimp due to different levels of human perception. the solution offered was to use cvar technology (computer vision and regression analysis) in determining shrimp size based on the image captured by the camera. the purpose of this study was to apply a combination of the k-means clustering method and morphology in determining the size and size of vaname shrimp based on the ratio of the area in pixels of image processing with computer vision technology to mass in grams, using the least quadratic regression equation. this research was a quantitative research that focuses on exploring the relationship of the dependent variable in the form of mass to the independent variable in the form of area. the data used in this study was primary data from observations and measurements at the research site. the sampling technique used is probability disproportionate stratified random sampling because the output of the sample was a shrimp cluster based on predetermined strata. the results of this study indicate that the novelty of the combination of methods applied was able to segment the image very well with an rmse value of 0.68 which was much smaller than the thresholding of 2.89 and k-means clustering of 0.73. the relationship between variables was very strong, indicated by a correlation of 0.992. the system accuracy in measuring mass was 93.64% and size measurement was 93.37%, while the system accuracy in clustering shrimp size was 95.45%.