<![CDATA[Pengecatan merupakan proses yang banyak dijumpai pada industri otomotif seperti perusahaan pembuatan pegas (leaf spring) untuk suku cadang (spare part) kendaraan. Pengklasifikasian tingkat pengecatan yang tepat akan bermanfaat dalam menentukan kualitas hasil produksi. Penelitian ini membahas tentang bagaimana proses pengecatan pada cat dasar dengan membandingkan tiga buah variabel yaitu ketebalan cat (thickness), tekanan udara (pressure), dan kekentalan cat (viscositas). Menggunakan perancangan model dan implementasi algoritma K-Nearest Neighbor dalam mengklasifikasikan suatu objek (data uji) berdasarkan kedekatan jarak dengan data latih. Algoritma K-NN merupakan salah satu metode supervised learning yang mengklasifikasikan data baru berdasarkan mayoritas kategori dari K tetangga terdekat. Algoritma ini digunakan karena kesederhanaannya dan kemampuan adaptasinya terhadap data yang tidak linear. Namun, tantangan utama dalam penggunaan K-NN adalah menentukan nilai K yang optimal dan biaya komputasi yang tinggi. Penelitian ini menggunakan metode Euclidean Distance untuk menghitung jarak antara data training dan data testing. Implementasi dilakukan pada dataset dengan label ‘Good' dan 'Not Good'. Hasil penelitian menunjukkan bahwa pemilihan nilai K yang optimal dan perhitungan jarak yang akurat menggunakan Euclidean Distance memungkinkan algoritma K-NN menghasilkan klasifikasi yang tepat dan dapat diandalkan. Penelitian ini juga menganalisis keunggulan dan keterbatasan K-NN serta faktor-faktor penting dalam penerapannya. Hasil penelitian menunjukkan bahwa algoritma K-NN berhasil diimplementasikan untuk klasifikasi ketebalan cat pada proses cat dasar di PT XYZ, dengan akurasi tertinggi sebesar 100% pada nilai K = 1. Dengan demikian, penelitian ini memberikan wawasan yang mendalam tentang aplikasi praktis K-NN dalam menyelesaikan permasalahan pada sebuah dataset yang menggunakan algoritma K-NN dengan metode Euclidean Distance. ]]>
