Analisis Dan Perbandingan Algoritma K-Nearest Neighbors (K-NN) Dan Naïve Bayes Dalam Klasifikasi Penerima Bantuan Sosial Siswa Sekolah Menengah Pertama

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%.