<![CDATA[Implementasi Metode K-Nearest Neighbors (KNN) Dalam Klasifikasi Calon Penerima Bantuan Rehabilitasiimplementasi Metode K-Nearest Neighbors (KNN) Dalam Klasifikasi Calon Penerima Bantuan Rehabilitasi Rumah Tidak Layak Huni Rumah Tidak Layak Huni]]>

<![CDATA[Implementasi Metode K-Nearest Neighbors (KNN) Dalam Klasifikasi Calon Penerima Bantuan Rehabilitasiimplementasi Metode K-Nearest Neighbors (KNN) Dalam Klasifikasi Calon Penerima Bantuan Rehabilitasi Rumah Tidak Layak Huni Rumah Tidak Layak Huni]]> Apriliani Erwinda Djati Pengarang SEBASTIANUS ADI SANTOSO MOLA Dosen Pembimbing 1 Emerensye S. Y. Pandie Dosen Pembimbing 2 Arfan Yeheskiel Mauko Ketua Penguji Yelly Yosiana Nabuasa Penguji 1 Juan Rizky Manuel Ledoh, S.Kom., M.Cs Penguji 2 IMPLEMENTASI METODE K-NEAREST NEIGHBORS (KNN) DALAM KLASIFIKASI CALON PENERIMA BANTUAN REHABILITASI RUMAH TIDAK LAYAK HUNI Apriliani Erwinda Djati, Sebastianus A.S. Mola*, Emerensye S. Y. Pandie**Bantuan sosial berupa rehabilitasi Rumah Tidak Layak Huni (RTLH) menjadi solusi dari tantangan sosial kemiskinan di Indonesia. Desa Sadi dan Bauho, Kecamatan Tasifeto Timur Kabupaten Belu, NTT merupakan desa yang konsisten menerima program bantuan rehabilitasi RTLH. Metode k-nearest neighbors(KNN) digunakan untuk meningkatkan efektivitas alokasi sumber daya dalam penentuan calon penerima bantuan RTLH. Penelitian ini menggunakan data yang dikumpulkan dari arsip bantuan kedua desa, yang kemudian dianalisis dan dikembangkan berdasarkan ketentuan Dinas Pekerjaan Umum dan Penataan Ruang untuk mengurangi kriteria kategorial yang cenderung subjektif terhadap kategori target. Penelitian ini memanfaatkan metode Mahanalobis pada metrik jarak KNN yang dapat menangani korelasi antar variabel kategorial dan memberikan pendekatan jarak yang lebih pasti dalam tahapan klasifikasi. Hasil klasifikasi penentuan bantuan rehabilitasi divalidasi dengan metode 10-cross validation dengan ketetapan tetangga terdekat yang diuji sebesar 3, 5, 7, dan 9. Akurasi rata-rata tertinggi yang diperoleh sebesar 81.25% untuk ketetapan 7- tetangga terdekat dan 79.60% akurasi rata-rata terendah untuk 5-tetangga terdekat. Kata Kunci:Klasifikasi DataBantuan RTLH, K-Nearest Neighbors.