Abstract:
BSM (Bantuan Siswa Miskin) adalah program bantuan sosial yang bertujuan untuk
membantu siswa miskin agar bisa mendapatkan pendidikan di Indonesia.
Pemberian dana Program BSM masih banyak yang belum tepat sasaran bagi siswa
yang layak menerimanya. Oleh karena itu, penyelesaian permasalahan tersebut
adalah dengan dilakukannya peninjauan dan pengolahan data menggunakan teknik
klasifikasi pada Data Mining. Pada penelitian ini dilakukan pengujian klasifikasi
penerima bantuan sosial BSM pada data siswa SMP Negeri 7 Medan dengan
menggunakan metode K-Nearest Neighbors (K-NN) dan Naïve Bayes. Variasi nilai
k dalam K-NN diuji, dengan k=3 dan k=7. Pengujian dilakukan dengan test size
bervariasi 20%, 25%, 35%, dan 45%. Hasil menunjukkan bahwa K-NN dengan k=7
memberikan performa terbaik yakni mencapai akurasi rata-rata 97,33%, sementara
Naive Bayes mencapai akurasi rata-rata 96,5%. Performa K-NN lebih unggul
dengan akurasi, presisi, dan F1 Score yang lebih tinggi dibandingkan Naive Bayes.
Dengan demikian, K-NN ditetapkan sebagai algoritma terbaik untuk klasifikasi
penerima bantuan sosial BSM pada data siswa SMP Negeri 7 Medan dengan
akurasi 97,33%.
