Penerapan Algoritma K-Nearest Neighbor dalam Klasifikasi Kelayakan Penerima Bantuan Pangan Non Tunai (BPNT) (Studi Kasus: Desa Paris, Kecamatan Mootilango)
1. Ketidaksesuaian data penerima BPNT dengan kondisi lapangan, dimana warga miskin sebenarnya tidak tercakup sementara yang tidak layak justru menerima.
2. Subjektif tinggi dalam penilaian manual oleh aparatur desa, menyebabkan penyalahgunaan bantuan dan keluhan masyarakat.
3. Kurangnya sistem otomatis untuk mengklasifikasi data warga miskin secara akurat, termasuk validasi nik dann aset.
1. Menerapkan algoritma KNN untuk mengklasifikasikan warga layak atau tidak layak menerima BPNT
2. Membantu pemerintah desa paris dalam pengambilan keputusan berbasis data untuk memastikan bantuan tepat sasaran.
3. Meningkatkan akurasi prediksi kelayakan bantuan menggunakan data lokal warga miskin.
1. Mengurangi kesalahan penyaluran bantuan dengan klasifikasi objektif, sehingga anggaran lebih efisien.
2. Memberikan rekomendasi prioritas kepada warga rentan seperti lansia atau disabilitas di desa paris.
3. Menjadi sistem pendukung keputusan yang dapat direplikasi di desa lain untuk program bansos serupa.
Metode Kuantitatif
-
2. Transformasi Data
3. Analisi Data