Klasifikasi Penerima Dana Bantuan Desa Menggunakan Metode KNN (K-Nearest Neighbor)

Abstract

Determining the status of poor families as recipients of assistance is very important so that poverty reduction assistance from the government can be channeled on target. Data mining utilizes experience or even mistakes in the past to improve the quality of the model and the results of its analysis, one of which is the ability possessed by data mining techniques, namely classification. The purpose of this study was to test K-Fold Cross Validation in the K-Nearst Neighbors algorithm in predicting receipt of village aid funds. In the beneficiary dataset used in this study, there were 159 records or tuples with four attributes (house condition, income, employment and number of dependents). The new data category prediction is done by using the Euclidean Distance manual calculation stage of five different K values. While using the Rapidminer application aims to test the accuracy of the dataset in five different K values. The results show that with K=15 and K=30 the new data (D160) has a "Not Eligible" category with an accuracy of 100%. Then with K=45, K=60 and K=75, the new data (D160) has the category "Eligible" with an accuracy rate of 81.25%.

Implementasi Algoritma Naive bayes dalam Klasifikasi Status Kesejahteraan Masyarakat Desa Gunungsari

“…teknik data mining memanfaatkan pengalaman bahkan kesalahan data di masa lalu untuk meninkatkan kualitas model maupun hasil analisinya dengan kemampuan yang dimiliki teknik data mining salah satunya klasifikasi. [6]…”

Implementasi Algoritma K-Nearest Neighbour dalam Memprediksi Stok Sepeda Motor

“…Dasatama Cemerlang Motor.Algoritma KNN adalah salah satu metode yang digunakan untuk analisis klasifikasi, namun beberapa dekade terakhir metode KNN juga digunakan untuk prediksi. Mencari jarak terdekat antara da ta yang akan dievaluasi dengan K tetangga (neighbor) terdekatnya [8]. Algoritma K-nearest neighbor juga disebut dengan lazy learner yang mudah menyimpan data di dalam memori dan dapat mengklasifikasikan item baru dengan membandingkan item tersebut dengan item yang telah tersimpan dengan menggunakan fungsi kesamaan [9].…”

Penerapan K-Nearest Neighbour dalam Penerimaan Peserta Didik dengan Sistem Zonasi

“…Hasil akhir dari matrik ini adalah tingkat akurasi dengan satuan persen (%). Tingkat akurasi ini yang nantinya dijadikan acuan para peneliti terkait performa algoritma klasifikasi tersebut (Hasanah et al, 2019). Berikut ini adalah model dari Confussion matrix yang terlihat pada tabel 1 dibawah ini (Hasanah et al, 2019 Adapun rumus yang digunakan dalam model Confussion matrix adalah (Hasanah et al, 2019) :…”