Perolehan akurasi dari K-Nearest Neighbor (KNN) cenderung lebih rendah dibandingkan dengan metode klasifikasi lainnya. Penyebab dari hal tersebut yaitu berkaitan dengan atribut yang digunakan dan persentase pengaruh atribut tersebut terhadap proses klasifikasi pada suatu data. Dan juga atribut dengan pengaruh yang kurang relevan dapat menjadi masalah yang dalam penentuan kelas baru. Salah satu cara yang dapat dilakukan untuk mengatasi tersebut yaitu dengan melakukan Seleksi Fitur. Maka pada penelitian ini, penulis melakukan seleksi fitur pada K-Nearest Neighbor dengan menggunakan Symmetrical Uncertainty untuk menghapus atribut yang pengaruhnya kurang baik dari data set. Pengujian dari metode yang diusulkan menggunakan data set yang diperoleh dari UCI Machine Learning Repository. Hasil yang diperoleh dari pengujian metode yang diusulkan menggunakan seleksi fitur dengan Symmetrical Uncertainty mampu meningkatkan akurasi klasifikasi dari KNN, dengan peningkatan akurasi yang diperoleh setelah dilakukan seleksi fitur yaitu sebesar 3.00 %.