ABSTRAKSI: Pulpitis adalah salah satu penyakit pada gigi. Pulpitis merupakan peradangan bagian pulpa gigi. Pada umumnya, pulpitis merupakan kelanjutan proses karies gigi yang menembus melalui enamel dan dentin tanpa mencapai pulpa. Pemeriksaan penunjang lainnya dapat dilakukan dengan pemeriksaan menggunakan periapikal radiograf 2D maupun dengan teknologi tercanggih dengan radiograf 3D. Tahap-tahap dilakukan dalam penelitian ini meliputi: pre-processing, ekstraksi ciri, dan klasifikasi. Metode ekstraksi ciri tekstur dan warna yang digunakan adalah Transformasi DCT (Discrete Cosine Transform) dengan ditinjau dari teksturnya yang merupakan salah satu dari ciri fisik deteksi. Sedangkan untuk pengklasifikasian kualitas menggunakan metode K-Nearest Neighbor (K-NN). Akurasi yang didapatkan adalah 86,67 % untuk 30 citra latih, Dimana citra pulpitis ireversibel sebanyak 10 citra, citra pulpitis reversibel sebanyak 10 citra dan citra normal sebanyak 10 citra. Untuk citra uji terdiri dari 20 citra Pulpitis ireversibel periapikal, 20 citra Pulpitis reversibel dan 20 citra normal. Hasil dari tugas akhir ini adalah sistem mampu mengidentifikasi pulpitis dan gigi normal dengan tingkat akurasi maksimal sistem android mencapai 86,67 % dan waktu komputasi rata-rata 3,015 detik dengan menggunakan sampel hasil periapikal radiograf sebagai citra uji dan citra latih.KATA KUNCI: periapikal radiograf, pulpitis, DCT, k-Nearest NeighborABSTRACT: Pulpitis is one of the dental pulp disease. Pulpitis is an inflammation of part of the dental pulp. pulpitis is a continuation of the process of dental caries that penetrate through the enamel and dentin to reach the pulp. Other tests can be done by inspection using 2D and periapical radiographs with the most advanced technology with the results 3D radiographs. Step will be carried out in this research include: pre-processing, feature extraction, and classification. Texture feature extraction methods and the colors used are DCT Transformation (Discrete Cosine Transform) and in terms of texture, which is one of the physical characteristics of detection. As for the quality classification using K-Nearest Neighbor (K-NN). Accuracy obtained was 86,67% for 30 training images, where the image of Irreversible pulpitis to train as many as 10 images, reversible pulpitis as much as 10 and the normal image as much as 10 images. For the test images consisting of 20 images irreversible pulpitis, 20 images reversible pulpitis, and 20 normal images. The result of this thesis is a system capable of identifying pilpitis with maximum accuracy rate reaches 86,67% android system and the average computation time 3,015 seconds using samples of periapical radiograph as test images and training images.KEYWORD: periapikal radiograf, pulpitis, DCT, k-Nearest Neighbor