Perbandingan Metode K-Nearest Neighbors dengan Naive Bayes dalam Klasifikasi Kelompok Usaha Bersama

Program Kelompok Usaha Bersama (KUBE) merupakan salah satu upaya pemerintah melalui Dinas Sosial Pengendalian Penduduk dan Keluarga Berencana Kabupaten Purworejo untuk menanggulangi kemiskinan. Namun, proses penentuan kelayakan penerima bantuan sering kali menghadapi kendala efisiensi dan objektivitas akibat evaluasi manual. Penelitian ini bertujuan untuk mengimplementasikan dan membandingkan kinerja dua algoritma data mining, yaitu K-Nearest Neighbors (K-NN) dan Naïve Bayes, dalam mengklasifikasikan kelayakan calon Kelompok Usaha Bersama Anggaran Tahun 2026. Penelitian dilakukan dengan memanfaatkan perangkat lunak RapidMiner dan mengevaluasi lima atribut utama, meliputi kesesuaian anggota, desil, kelengkapan dokumen, kelengkapan proposal, dan kesesuaian SK. Pengujian dilakukan menggunakan tiga skenario pembagian data latih dan data uji (split data), yaitu 20:80, 50:50, dan 80:20. Hasil eksperimen menunjukkan bahwa pada skenario 20:80, K-NN dan Naïve Bayes masing-masing menghasilkan accuracy sebesar 97,14% dan 96,43%. Pada skenario 50:50, K-NN memperoleh accuracy 94,32%, sedangkan Naïve Bayes sebesar 96,59%. Puncak performa kedua algoritma dicapai pada skenario 80:20 dengan tingkat accuracy, precision, dan recall yang sempurna sebesar 100,00%. Meskipun kedua algoritma menunjukkan kinerja yang seimbang pada skenario terbaik 80:20, Naïve Bayes secara umum lebih konsisten pada kondisi data latih yang lebih terbatas serta menawarkan efisiensi komputasi yang lebih cepat.