KLASIFIKASI PENERIMA BANTUAN USAHA MIKRO KECIL DAN MENENGAH (UMKM) MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS

Abstrak

Indonesia saat ini menghadapi tantangan ekonomi dengan lonjakan harga barang pokok yang membebani masyarakat dan mengganggu stabilitas industri, sementara UMKM menjadi tulang punggung ekonomi yang terdampak krisis. Lembaga pemerintah, memberikan bantuan khusus untuk mendukung pertumbuhan ekonomi dan kesejahteraan masyarakat. Penelitian ini lakukan bertujuan untuk mengevaluasi metode terbaik untuk menentukan kelayakan penerima bantuan UMKM berdasarkan aset dan omset menggunakan RapidMiner 7.6 dengan tiga metode data mining: Naïve Bayes, C4.5, dan K-Nearest Neighbor (K-NN), diuji melalui validasi silang untuk menilai akurasi, presisi, recall, dan AUC. Hasil menunjukkan K-NN memiliki kinerja terbaik dengan akurasi 96,36% dan recall 98,00%, sementara Naïve Bayes unggul dalam AUC dengan nilai 0,979, dan C4.5 menunjukkan presisi 94,00%. Berdasarkan hasil ini, K-NN direkomendasikan sebagai metode terbaik untuk klasifikasi kelayakan penerima bantuan UMKM karena kinerjanya yang superior dalam penilaian akurat. Temuan ini memberikan panduan penting bagi pemerintah dan pengelola zakat dalam memastikan alokasi bantuan yang efektif dan tepat sasaran, mendukung UMKM dalam bertahan dan pulih dari dampak krisis ekonomi, dan pada akhirnya, mendukung stabilitas ekonomi Indonesia.

Indonesia is currently facing economic challenges with soaring prices of basic goods which burden society and disrupt industrial stability, while MSMEs are the backbone of the economy affected by the crisis. Government institutions provide special assistance to support economic growth and community welfare. This research aims to evaluate the best method for determining the eligibility of MSME aid recipients based on assets and turnover using RapidMiner 7.6 with three data mining methods: Naïve Bayes, C4.5, and K-Nearest Neighbor (K-NN), tested through cross validation for assess accuracy, precision, recall, and AUC. The results show that K-NN has the best performance with an accuracy of 96.36% and a recall of 98.00%, while Naïve Bayes excels in AUC with a value of 0.979, and C4.5 shows a precision of 94.00%. Based on these results, K-NN is recommended as the best method for classifying the eligibility of MSME aid recipients due to its superior performance in accurate assessment. These findings provide important guidance for the government and zakat managers in ensuring effective and well-targeted aid allocation, supporting MSMEs in surviving and recovering from the impact of the economic crisis, and ultimately, supporting Indonesia's economic stability.