<![CDATA[Pada kesempatan ini peneliti brtujuan untuk mengklasifikasi tumbuhan Iris Species menggunakan metode alqoritma K-Nearest Neighbor yang mengimplementasikan dalam RapidMiner Studio 2025.0.1. Yang mana Dataset berisi 150 entri yang mewakili tiga spesies iris (sclerotium, iris beraneka warna, dan eceng gondok), masing-masing berisi empat fitur utama yang digunakan sebagai variabel studi: ukuran Panjang dan lebar dibagian kelopak serta mahkota bunga. Metodologi penelitian ini melibatkan beberapa Langkah yaitu: akuisisi data (Retrieve Iris), penandaan fitur (Set Role), pemisahan data (70% data pelatihan, 30% data uji), pelatihan model menggunakan algoritma K-NN dengan K = 5 dan pembobotan, implementasi model (Apply Model), dan evaluasi kinerja. Hasil pengujian menunjukkan bahwa model K-NN dapat mengklasifikasikan tumbuhan Iridaceae dengan akurasi 97,78%, tingkat presisi dan recall melebihi 93%, dan kesalahan klasifikasi yang sangat rendah. Penelitian ini juga menunjukkan efektifitas tinggi alqoritma K-NN dalam pengenalan pola mortofologi bunga dan juga menunjukkan bahwa aplikasi RapidMiner dapat dijadikan alat yang efektif dan praktis untuk mengembangkan model klasifikasi berbasis pembelajaran mesin. Kata Kunci: K-Nearset Neighbor, RapidMiner, Klasifikasi, iris, Pembelajaran mesin. On this occasion, the researcher aims to classify Iris Species plants using the K-Nearest Neighbor algorithm method implemented in RapidMiner Studio 2025.0.1. The dataset contains 150 entries representing three iris species (sclerotium, variegated iris, and water hyacinth), each containing four main features used as study variables: petal length and width, and petal length and width. The methodology of this study involves several steps, namely: data acquisition (Retrieve Iris), feature marking (Set Role), data separation (70% training data, 30% test data), model training using the K-NN algorithm with K = 5 and weighting, model implementation (Apply Model), and performance evaluation. The test results show that the K-NN model can classify Iridaceae plants with an accuracy of 97.78%, precision and recall levels exceeding 93%, and very low classification errors. This study also shows the high effectiveness of the K-NN algorithm in recognizing flower morphological patterns and also shows that the RapidMiner application can be used as an effective and practical tool for developing machine learning-based classification models. Keywords: K-Nearest Neighbor, RapidMiner, Classification, iris, Machine learning.]]>
