Salah satu perkembangan dari kemajuan teknologi adalah klasifikasi gambar, yang telah berkembang menjadi bidang yang sangat penting dan aktif dalam perkembangan teknologi. Salah satu dataset yang digunakan pada penelitian klasifikasi gambar yaitu dataset MNIST. Dataset digit MNIST terdiri dari digit tulisan tangan dan biasa digunakan dalam pengujian deep learning, selain dataset Fashion-MNIST. Untuk memproses dataset gambar yang berukuran besar, diperlukan penerapan teknik reduksi untuk mengekstraksi fitur-fitur penting dari gambar sebelum diterapkan ke model klasifikasi, seperti Principal Component Analysis (PCA) dan Independent Component Analysis (ICA). Model klasifikasi yang sering digunakan dalam klasifikasi gambar adalah K-Nearest Neighbor dan metode ensamble learning seperti Random Forest. Penelitian ini mengevaluasi kinerja berbagai model klasifikasi dalam mengklasifikasikan gambar digit pada dataset MNIST, serta peran teknik reduksi dimensi Principal Component Analysis (PCA) dan Independent Component Analysis (ICA). Dengan melakukan perbandingan antara klasifikasi gambar tanpa menggunakan teknik reduksi, klasifikasi gambar dengan menerapkan teknik reduksi PCA dan klasifikasi gambar dengan menerapkan teknik reduksi ICA. Hasil menunjukkan bahwa PCA dan ICA efektif dalam mereduksi dimensi data, dengan ICA lebih unggul pada dataset MNIST. Soft Voting terbukti meningkatkan akurasi prediksi melalui penggabungan model KNN dan Random Forest.
KATA KUNCI : PCA,;ICA;K-Nearest Neighbors;Random Forest Classifier