<![CDATA[Penelitian ini menjelaskan penggunaan metode k-nearest neighbor(K-NN) terhadap klasifikasi data iris bunga dari UCI machine learning. Di dalam penelitian ini dilakukan beberapa tahapan dan metode. Pada tahapan penelitian ini menggunakan metode k-nearest neighbor (K-NN) untuk pengujian dengan nilai K tertentu. Pada pengukuran hasil klasifikasi data iris bunga berfokus pada tingkat akurasi data iris bunga. Di dalam penelitian ini data yang d gunakan yaitu sebanyak 135 data iris bunga yang berasal dari UCI machine learning. Pengukuran jarak pada K-NN dalam penelitian ini menggunakan euclidean distance dengan nilai ketetanggan 3,4,5,6,7,8,9. Dari implementasi yang di peroleh yaitu klasifikasi k-nearest neighbor terhadap data iris bunga. Dalam penelitian ini akan dilakukan proses penentuan jenis bunga iris, dalam penentuan bungairis tersebut digunakan 4 faktor yang merupakan karakteristik sendiri dari bunga iris tersebut. Keempatfaktor karakteristik bunga iris yang digunakan untuk penelitan yaitu sepal length, sepal width,petal length, dan petal width. Adapun dari hasil pengujian metode K-Nearest Neighbor dalam klasifikasi data. Adapun pengujian penulis menggunakan variasi nilai K K-Nearest Neighbor 3,4,5,6,7,8,9. Memiliki persentase akurasi yang sangat baik di dibandingkan hanya K-NN. Hasil pengujian menunjukan metode K-Nearest Neighbor dalam klasifikasi data memiliki akurasi persentase yang baik ketika menggunakan data random. Persentase variasi nilai K K-Nearest Neighbor 3,4,5,6,7,8,9memiliki persentase 100 % .]]>
