PERBANDINGAN METODE K-NEAREST NEIGHBOR DAN RANDOM FOREST PADA KLASIFIKASI INDEKS PEMBANGUNAN MANUSIA DI KABUPATEN/KOTA SELURUH INDONESIA

Indeks Pembangunan Manusia yang ada di Kabupaten/Kota Indonesia beragam, hal ini sebabkan oleh pembangunan yang ada di Indonesia masih tidak merata.  IPM di Indonesia digunakan sebagai salah satu alokator penentuan Dana Alokasi Umum dan untuk mengukur kinerja dari pemerintah. Tujuan dari penelitian ini yaitu membandingkan metode K-Nearest Neighbor dan Random Forest pada klasifikasi IPM. Pada metode K-Nearest Neighbor dalam melakukan klasifikasi menggunakan  dan pada metode Random Forest dalam melakukan klasifikasi menggunakan  dan . Variabel-variabel yang digunakan pada penelitian ini diantaranya variabel dependent terdapat IPM dengan kategori IPM rendah, sedang, tinggi dan sangat tinggi, sedangkan pada variabel independen terdapat HLS, RLS, UHH dan PPKD. Klasifikasi dengan menggunakan metode K-Nearest Neighbor menghasilkan 124 data benar klasifikasi dan 5 data kesalahan klasifikasi sedangkan metode Random Forest menghasilkan 119 data benar lasifikasi dan 10 data kesalahan klasifikasi. Hasil klasifikasi juga menunjukkkan bahwa metode K-Nearest Neighbor adalah metode yang terbaik untuk digunakan dalam melakukan klasifikasi IPM di Kabupaten/Kota seluruh Indonesia, karena menghasilkan nilai akurasi dan rata-rata AUC sebesar 96.12% dan 0.9618 lebih besar dibandingkan metode Random Forest yaitu sebesar 92.25% dan 0.9538 serta metode K-Nearest Neighbor menghasilkan nilai error rate yang lebih kecil yaitu sebesar 3.88% dibandingkan metode Random Forest sebesar 7.75%. Hasil dari penelitian ini diharapkan dapat menjadi informasi untuk terus meningkat Indeks Pembangunan Manusia di Kabupaten/Kota seluruh Indonesia pada tahun 2022.