<![CDATA[Klasifikasi bunga menjadi tantangan dalam bidang botani karena variasi warna dan kemiripan dengan latar belakang, yang dapat menyebabkan kesalahan identifikasi. Kesulitan ini menghambat proses pengelompokan spesies secara akurat, terutama dalam lingkungan dengan karakteristik visual kompleks. Penelitian ini bertujuan untuk mengklasifikasikan tiga spesies bunga Iris menggunakan algoritma K-Nearest Neighbor (KNN) berdasarkan fitur morfologi utama, yaitu panjang dan lebar sepal serta petal. Metode yang digunakan mengikuti kerangka kerja Cross-Industry Standard Process for Data Mining (CRISP-DM), mencakup tahapan pemahaman bisnis, pengumpulan dan persiapan data, pemodelan, evaluasi, serta implementasi. Dataset yang digunakan berasal dari kumpulan data bunga Iris yang telah distandarisasi, dan proses klasifikasi dilakukan dengan membandingkan berbagai nilai K untuk menentukan parameter optimal yang meningkatkan akurasi model. Hasil penelitian menunjukkan bahwa algoritma KNN mampu mencapai akurasi hingga 96%, dengan performa terbaik dalam mengidentifikasi spesies Iris setosa. Evaluasi menggunakan confusion matrix menunjukkan kesalahan klasifikasi terjadi antara spesies Iris versicolor dan Iris virginica, yang memiliki kemiripan morfologi. Normalisasi data berperan penting dalam meningkatkan stabilitas model dengan mencegah overfitting dan underfitting. Dengan demikian, algoritma KNN terbukti sebagai metode klasifikasi yang efektif dalam mengelompokkan spesies bunga berdasarkan pola numerik fitur morfologinya.]]>
