<![CDATA[Abstrak - Klasifikasi angka tulisan tangan merupakan salah satu topik penting dalam analisis citra digital dan membutuhkan metode yang akurat serta efisien. Penelitian ini menerapkan algoritma K-Nearest Neighbor (KNN) untuk mengenali angka tulisan tangan pada dataset MNIST, yang dipadukan dengan teknik ekstraksi fitur zoning untuk memperoleh 16 fitur utama dari setiap citra. Beberapa nilai k diuji untuk menentukan konfigurasi yang paling optimal. Hasil pengujian menunjukkan bahwa nilai k = 7 memberikan akurasi terbaik sebesar 83.54%. Evaluasi menggunakan confusion matrix dan classification report mengonfirmasi bahwa model mampu mengklasifikasikan sebagian besar digit dengan baik, meskipun masih terdapat sebagian kecil kesalahan pada digit yang memiliki bentuk serupa. Temuan ini menunjukkan bahwa kombinasi metode zoning dan algoritma KNN tetap efektif digunakan untuk pengenalan angka tulisan tangan pada sistem yang membutuhkan komputasi ringan dan cepat.Kata kunci: Algoritma; Citra; K-Nearest Neighbors; MNIST; Abstract - Handwritten digit classification is an important topic in digital image analysis and requires accurate and efficient methods. This study applies the K-Nearest Neighbor (KNN) algorithm to recognize handwritten digits in the MNIST dataset, combined with the zoning feature extraction technique to obtain 16 main features from each image. Several values of k were tested to determine the most optimal configuration. The test results show that k = 7 provides the best accuracy of 83.54%. Evaluation using a confusion matrix and classification report confirms that the model is able to classify most digits well, although there are still some errors with digits that have similar shapes. These findings indicate that the combination of the zoning method and the KNN algorithm remains effective for handwritten digit recognition in systems that require light and fast computation.Keywords: Algorithm; Image; K-Nearest Neighbors; MNIST;]]>
