Batik is an Indonesian national artwork made with special techniques. Batik patterns contain meanings and philosophies from various customs and cultures that developed in Indonesia, and each region in Indonesia has different styles and characteristics due to the variety of batik motifs and colors. Therefore, digital images can be used as a first step in identifying Solo batik motifs because image processing is a highly developed research. Starting with the detection process on items, grouping items, and determining the right type of batik motif. this classification process using the KNN (K-Nearest Neighbor) method is converted to an HSI (Hue, Saturation, Intensity) image making it easier for image extraction. This research uses 50 training data and 25 test data, consisting of 10 Sidomukti batik data, 10 Parang batik data, 10 Kawung batik data, 10 Truntum batik data, 10 Satrio Manah batik data, the final result with testing and calculation of accuracy using the KNN algorithm is 80%.Keywords: K-Nearest Neighbor; Hue-Saturation-Intensity; Classification; Solo Batik AbstrakBatik adalah karya seni nasional Indonesia yang dibuat dengan teknik khusus. Corak-corak batik mengandung makna dan filosofi dari berbagai adat istiadat dan budaya yang berkembang di Indonesia, dan setiap daerah di Indonesia memiliki gaya dan ciri khas yang berbeda. karena beragamnya motif dan warna batik. Oleh karena itu, gambar digital dapat digunakan sebagai langkah awal dalam mengidentifikasi motif batik Solo karena proses pengolahan gambar adalah penelitian yang sangat berkembang. Dimulai dengan proses deteksi pada item, pengelompokan item, dan menentukan jenis motif batik yang tepat. proses klasifikasi ini menggunakan metode KNN (K-Nearest Neighbor) dikonversi ke citra HSI (Hue, Saturation, Intensity) sehingga memudahkan untuk ekstraksi citra. Penelitian ini menggunakan 50 data latih dan 25 data uji, terdiri dari 10 data batik Sidomukti, 10 data batik Parang, 10 data batik Kawung, 10 data batik Truntum, 10 data batik Satrio Manah, hasil akhir dengan pengujian dan perhitungan akurasi menggunakan algoritme KNN sebesar 80%.Â