Pendeteksian penyakit kulit jinak dan ganas melalui karakteristik yang kompleks menjadi tantangan dalam dunia medis sehingga banyak penelitian yang menggunakan KNN dalam mengembangkan mesin klasifikasi otomatis untuk penyakit kulit, namun terdapat penelitian dengan dataset penyakit kulit ISIC yang memiliki hasil akurasi yang buruk karena kualitas dan proses yang tidak lengkap. Penelitian ini bertujuan meningkatkan akurasi penelitian tersebut menggunakan KNN dengan memperbaiki kualitas citra dan juga segmentasi dengan kombinasi watershed dan otsu. Proses dimulai dengan preprocessing untuk meningkatkan kualitas citra yang mencakup penghilangan noise rambut menggunakan algoritma dull razor dilanjutkan dengan penghilangan artefak gelembung udara dengan median filter, dan penajaman dengan laplacian filter. Selanjutnya, citra disegmentasi menggunakan kombinasi metode watershed dan otsu. Fitur diekstraksi dari citra tersegmentasi menggunakan Gray Level Co-occurrence Matrix (GLCM), kumpulan fitur tersebut lalu dilatih dan menguji model KNN melalui beberapa skema. Didapatkan hasil bahwa implementasi metode penghilangan noise dan segmentasi citra berhasil meningkatkan akurasi KNN secara tidak signifikan menjadi 79,27%, 79,91%, dan 80,26% pada kondisi data dengan jumlah besar / banyak sehingga peningkatan ini juga menunjukkan bahwa metode yang diusulkan cukup berperan penting dalam peningkatan hasil akurasi pada jumlah kondisi tertentu.