KLIK: Kajian Ilmiah Informatika dan Komputer

ISSN 2723-3898 (Media Online)

Vol 1, No XX, Bulan 2020
Hal 999-999
https://djournals.com/klik

Klasifikasi Data Penerimaan Zakat Dengan Algoritma K-Nearest Neighbor

Di Baznas Pekanbaru
Alfin hernandes1, Siska Kurnia Gusti1, Fadhilah Syafria2, Siti Rahmadani3,Lestari Handayani4,*
1 Fakultas Sains dan Teknolgi, Program Studi Teknik Informatika, Universitas Islam Negri Sultan Syarif Kasim Riau, Kota
Pekanbaru , Indonesia
Email: 1 11950111669@students.uin-suska.ac.id, 2siskakurniagusti@uin-suska.ac.id, 3fadhilah.syafria@uin-suska.ac.id,
4siti.ramadhani@uin-suska.ac.id 5,* lestari.handayani@uin-suska.ac.id

Email Penulis Korespondensi: 11950111669@students.uin-suska.ac.id

Abstrak− Badan Amil Zakat Nasional (BAZNAS) merupakan organisasi pengelola zakat yang dibentuk oleh pemerintah. BAZNAS
berkedudukan di tiap-tiap kabupaten atau kota, salah satu BAZNAS yang berdiri di tingkat kota adalah BAZNAS kota Pekanbaru.
Penyaluran zakat BAZNAS kota Pekanbaru didistribusikan pada tiap program pendayagunaan, diantaranya Pekanbaru peduli.
Permasalahan yang saat ini sering terjadi di BAZNAS kota Pekanbaru adalah metode penyaluran zakat dilakukan dengan
mempertimbangkan kriteria penerima zakat yang dihitung secara manual oleh panitia BAZNAS Kota Pekanbaru. sehingga hal ini
dipandang kurang efektif. Dalam mengatasi permasalahan di atas Hal ini memungkinkan terjadinya perbedaan dan ketidaksinambungan
kelayakan dan ketidaklayakan calon penerima zakat serta efisiensi penggunaan waktu yang kurang optimal. Berdasarkan permasalahan
yang telah diuraikan diatas, diperlukan cara agar pendataan para mustahik lebih efektif dan efisien. Klasifikasi para mustahik dapat
dilakukan menggunakan sistem untuk mempermudah pendataannya. Metode klasifikasi yang digunakan adalah K-Nearest Neighbour
(KNN) yang berfungsi membantu mengklasifikasi data calon mustahik. Tujuan penelitian adalah Untuk mengklasifikasi Data dan
mengukur tingkat akurasi layak tidaknya menerima zakat dalam kriteria yang telah ditetapkan dengan menggunakan algoritma K-
Nearest Neighbor (K-NN). Sebanyak 602 data data Baznas Pekanbaru peduli, dengan 80% data digunakan untuk training dan 20%
untuk testing. Hasil evaluasi confusion matrix menunjukkan akurasi tertinggi pada k = 5 dengan tingkat akurasi sebesar 89,3%, presisi
sebesar 87,3% dan recall sebesar 91,4%.
Kata Kunci: Baznas, Data Mining,Klasifikasi, K-Nearest Neighbour
Abstract− The National Zakat Amil Agency (BAZNAS) is a zakat management organization formed by the government. BAZNAS is
located in each district or city, one of the BAZNAS which is established at the city level is BAZNAS Pekanbaru city. The distribution
of BAZNAS zakat in the city of Pekanbaru is distributed to each utilization program, including Pekanbaru Care. A problem that
currently frequently occurs at BAZNAS Pekanbaru City is that the method for distributing zakat is carried out by taking into account
the criteria for zakat recipients which are calculated manually by the Pekanbaru City BAZNAS committee. so this is seen as less
effective. In overcoming the problems above, this allows for differences and discontinuities in the suitability and ineligibility of
prospective zakat recipients as well as less than optimal efficiency in using time. Based on the problems described above, a way is
needed to make data collection on mustahik more effective and efficient. Classification of mustahik can be done using a system to
make data collection easier. The classification method used is K-Nearest Neighbor (KNN) which functions to help classify data on
mustahik candidates. The aim of the research is to classify data and measure the level of accuracy of whether or not it is appropriate to
receive zakat within predetermined criteria using the K-Nearest Neighbor (K-NN) algorithm. A total of 602 data from Baznas
Pekanbaru care, with 80% of the data used for training and 20% for testing. The confusion matrix evaluation results show the highest
accuracy at k = 5 with an accuracy level of 89.3%, precision of 87.3% and recall of 91.4%..
Keywords: Baznas, Data Mining, Classification, K-Nearest Neighbour

1. PENDAHULUAN

Zakat dalam Islam adalah pensucian harta, yaitu dengan menyisihkan separuh harta pada saat waktunya tiba dan
jumlahnya diberikan kepada yang berhak menerimanya. Zakat juga memiliki arti sebagai ibadah yang berkaitan dengan
harta yang memiliki fungsi sosial. Zakat termasuk dalam rukun Islam tiga yang memiliki tujuan membersihkan harta
setiap muslim[1] .Zakat merupakan instrument dalam ekonomi islam yang dapat memberikan pengaruh terhadap tingkah
laku seorang muslim dan dapat membangun ekonomi.[2]
Badan Amil Zakat Nasional (BAZNAS) adalah organisasi yang mengelola dan menyelenggarakan zakat yang
diselenggarakan oleh pemerintah yang masing-masing berkedudukan dan berkedudukan di setiap kabupaten/kota. Badan
Amil Zakat Kota Pekanbaru bernama BAZNAS Pekanbaru[3] Saat ini, metode penyaluran zakat dilakukan dengan
mempertimbangkan kriteria penerima zakat yang dihitung secara manual oleh panitia BAZNAS Kota Pekanbaru. [4] Hal
ini memungkinkan terjadinya perbedaan dan ketidaksinambungan kelayakan dan ketidaklayakan calon penerima zakat
serta efisiensi penggunaan waktu yang kurang optimal. Selain itu, penghitungan kelayakan akan memakan waktu yang
cukup lama jika sejumlah mustahik yang mendaftar untuk mengajukan zakat sekaligus membutuhkan waktu dalam proses
seleksi dan pendayagunaan zakat harus mampu menghasilkan produk yang akurat dan tepat sasaran hasil operasi
kelayakan. Berdasarkan permasalahan yang telah diuraikan diatas, diperlukan cara agar pendataan para mustahik lebih
efektif dan efisien. Dengan menggunakan algoritma klasifikasi Data mining terhadap data yang telah ada akan
diketahui pola pemetaan karakteristik pemohon ke keputusan yang diambil sehingga proses seleksi akan menjadi
lebih mudah, konsisten dan dapat menghindari unsur subjektifitas dari pengambil keputusan.[5]

Copyright © 2020, Sahendra Fahreza. This is an open access article distributed under the Creative Commons Attribution License,
which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. Page 1
First Author, Title

Data mining merupakan teknologi yang menggabungkan metoda analisis tradisional dengan algoritma yang
canggih untuk memproses data dengan volume besar. Data mining adalah suatu istilah yang digunakan untuk menemukan
pengetahuan yang tersembunyi di dalam database.[6] Data mining ialah proses mengekstraksi informasi berguna dari
kumpulan data besar yang melibatkan konsep interdisipliner yang relatif baru terkait dengan analisis data dan penemuan
pengetahuan dari database dan menggunakan pendekatan dua dimensi dan multifaset yang mencakup analisis statistik,
visualisasi data, penemuan pengetahuan, pengenalan pola, dan manajemen basis data.[7] dimana Data Mining ini dapat
digolongkan menjadi lima kelompok, pertama adalah Estimation, kedua Forecasting, ketiga Classification, keempat
Clustering dan kelima adalah Association[8][9]
Data Mining merupakan salah satu metode klasifikasi, Klasifikasi adalah suatu proses untuk menemukan
sekumpulan model maupun fungsi yang menjelaskan dan membedakan data kedalam kelas-kelas tertentu, Klasifikasi
merupakan proses untuk menemukan model yang menggambarkan dan membedakan kelas dari konsep data.[10] dengan
tujuan menggunakan model tersebut dalam menentukan kelas dari suatu objek yang belum diketahui kelasnya. Ada 2
proses dalam klasifikasi, yaitu Proses learning atau training Melakukan pembangunan model menggunakan data training.
Proses testing Melakukan tes terhadap data testing menggunakan model yang telah diperoleh dari proses training[11]
Salah satu metode yang digunakan dalam masalah pengklasifikasian adalah K-Nearest Neighbor (K-NN).
Algoritma K-Nearest Neighbor (K-NN) merupakan salah satu algoritma yang paling sederhana untuk menyelesaikan
masalah klasifikasi dan seringkali menghasilkan hasil yang kompetitif dan signifikan[7]. Algoritma K-Nearest Neighbor
(KNN) merupakan salah satu algoritma yang banyak digunakan untuk mengklasifikasikan data. Metode ini
mengklasifikasikan data berdasarkan perhitungan jarak terdekat dari data uji ke data latih dan untuk menentukan kelas
data baru menggunakan jumlah K tetangga terdekat [12].Algoritma K-Nearest Neighbor (KNN) adalah metode untuk
mengklasifikasikan objek baru berdasarkan (K) tetangga terdekatnya. KNN menyertakan algoritma supervised learning ,
di mana hasil dari query instance baru ,diklasifikasikan berdasarkan sebagian besar kategori di KNN. Kelas yang paling
banyak muncul akan menjadi kelas hasil klasifikasi[13]. K-Nearest Neighbor pada umumnya sudah banyak digunakan
peneliti karena mempunyai kelebihan, yaitu nilai akurasi yang tinggi dan tidak ada asumsi pada data [14].Tujuan
penelitian adalah Untuk mengklasifikasi Data dan mengukur tingkat akurasi layak tidaknya menerima zakat dalam kriteria
yang telah ditetapkan dengan menggunakan algoritma K-Nearest Neighbor (K-NN).

Beberapa studi telah menunjukkan bahwa KNN memiliki akurasi yang baik dalam klasifikasi. Misalnya,
penelitian[15] Hasilnya menunjukkan bahwa dengan K=15 dan K=30 data baru (D160) memiliki kategori “Tidak Layak”
dengan tingkat akurasi sebesar 100%. Kemudian dengan K=45, K=60 dan K=75 data baru (D160) memiliki kategori
“Layak” dengan dengan tingkat akurasi sebesar 81,25%. Studi lain[16] memprediksi Aroma Alkohol Menggunakan
Metode KNN, hasil dari pengujian pengaruh nilai K menghasilkan akurasi optimum senilai 100% pada nilai K=3 dan
100% pada nilai K=4. Studi [17] Klasifikasi Pencemaran Udara Di Kota Jakarta hasil kategori mayoritas k=7 yang ada
menunjukan bahwa kualitas udara di bulan berikutnya adalah “SEDANG” dan hasil penelitian ini menghasilkan nilai
akurasi sebesar 95.78 %. Studi [18] Prediksi Penjualan Produk Unilever Menggunakan Metode K-Nearest Neighbor,
mendapatkan nilai akurasi tertinggi terhadap klasifikasi penjualan produk sebesar 86,66%.Studi [19] Analisis Penjualan
Produk Paket Kuota Internet Dengan Metode K-Nearest Neighbor, mendapatkan Prediksi Penjualan Paket Kuota Internet
terdiri dari SP CL1, SPCL2, SPCL4 dan SP CL8 dengan Accuracy sebesar 71,43 %.

Page 2
 2. METODOLOGI PENELITIAN

Dalam penelitian ini dijalankan melalui beberapa langkah, Langkah-langkah tersebut bisa dilihat pada Gambar 1.

Gambar 1. Alur Tahapan Penelitian

2.1 Perumusan Masalah

Tahap ini merupakan dimulainya fase metode penelitian dengan memahami dan meneliti masalah
penelitian.Kemudian dilanjutkan mencari solusi untuk mengatasi permasalahan tersebut.Pada tahap ini juga ditentukan
ruang lingkup dan konteks topik penelitian.[6] Rumusan masalahnya yaitu bagaimana menerapkan metode K-Nearest
Neighbor (K-NN) untuk mengklasifikasi layak tidaknya dalam penerimaan zakaat menggunakan algoritma K-Nearest
Neighbor (K- NN).
2.2 Pengumpulan Data
a) Studi Pustaka
Metode ini akan dilakukan menggunakan cara mencari asal-asal referensi terhadap berbagai buku, karya ilmiah
maupun jurnal-jurnal yang di anggap penting serta mendukung.
b) Wawancara
Menganalisis, merancang, dan membangun sistem klasifikasi membutuhkan pendataan penerima bantuan zakat
program Pekanbaru peduli pada tahap ini,dimana peneliti pada tahap pengumpulan data melakukan sesi tanya
jawab dengan pengelola Baznas yang terkait langsung dengan penelitian guna mendapatkan data kriteria yang
dibutuhkan dalam penelitian terhadap penerima manfaat program Pekanbaru peduli.
c) Data Sekunder
Data sekunder merupakan data yang diperoleh dari sumber selain responden yang menjadi sasaran
penelitian[20]. misalnya melalui orang lain atau melalui dokumen.Dalam penelitian ini yang menjadi tahap
sumber data pendataan dalam penerima bantuan zakat program Pekanbaru peduli.

2.3 Pembahasan
Ditahapan ini dilakukan setelah pengumpulan data dari metodologi penelitian.Menganalisa metode
khusus yang digunakan untuk menganalisis suatu masalah. Pada tahap analisa ini peneliti akan menganalisis
permasalahan proses data mining berikut ini. Berikut ini menjelaskan analisis proses data mining.
a) Analisa kebutuhan Data

Copyright © TAHUN, FIRST AUTHOR. This is an open access article distributed under the Creative Commons Attribution License,
which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. Page 3
First Author, Title

Pada tahapan ini akan dijelaskan tentang bagaimana tahapan- tahapan untuk mencari kelas baru untuk
mengetahui faktor yang berpengaruh terhadap pendataan penerima bantuan zakat program Pekanbaru peduli.
b) Data Selection
Pada tahap ini dilakukan tahapan seleksi 602 data record. Dimana pemilihan 481 data testing dan 121 data
training, dalam proses seleksi ini menggunakan 6 atribut yaitu Umur, Tanggungan, Pekerjaan, Jumlah Usulan,
Penghasilan, dan Kondisi Rumah sebagai atribut dan layak tidak layak sebagai label.
c) Transformation
Selama prosedur, data akan mengalami transformasi melalui metode pengelompokan pada label,Karena metode
K-Nearest Neighbor (K-NN) merupakan metode yang mampu dipergunakan bila data berupa angka,
Transformasi juga dilakukan dengan menggunakan normalisasi min-max, yaitu dengan mengubah data menjadi
rentang 0 dan 1[21],supaya data tadi dapat diolah memakai algoritma K-Nearest Neighbor (K-NN).

minRange+(x−minValue)(maxRange−minRange)
normalized (x) = (1)
𝑚𝑎𝑥𝑉𝑎𝑙𝑢𝑒−𝑚𝑖𝑛𝑉𝑎𝑙𝑢𝑒

No Tanggungan Angka
1 Sangat Sedikit 1
2 Sedikit 2

3 Biasa 3
4 Banyak 4

Tabel 1. transformation Tanggungan

No perkerjaan Angka

1 Tidak berkerja 1

2 wiraswasta 2

3 wirausaha 3

Tabel 2. transformation pekerjaan

No Kondisi Rumah Angka

1 Mengontrak 1
2 menumpang 2

3 Rumah sendiri 3

Tabel 3. kondisi rumah

Page 4
d) Data mining K-Nearest Neighbor (K- NN)
Setelah data melalui tahap pre-processing dan tahap tranformation maka data telah bisa diolah
menggunakan metode K-Nearest Neighbor (K- NN)[22]

Gambar 2. Data mining K-Nearest Neighbor (K- NN)

Berikut adalah prosedur perhitungan menggunakan algoritma K-Nearest Neighbor (KNN) seperti yang
diilustrasikan pada Gambar 2.
a. Pada tahap awal, nilai k ditentukan.
b. Menghitung jarak Euclidean antara data pengujian dan data pelatihan.
c. Kelompokkan data berdasarkan perhitungan jarak Euclidean.
d. Cluster tetangga terdekat dengan mengatur data berdasarkan jarak terkecil.
e. Pilih kelas yang paling sering muncul diantara K tetangga dan gunakan sebagai hasil prediksi.
Data pelatihan pada atribut pertama dapat ditemukan pada Persamaan 1.
𝑋1 = (𝑋11, 𝑋12, . . . , 𝑋1𝑛 ) (2)
Data latih pada atribut kedua terdapat pada Persamaan 2.
𝑋2 = (𝑋21, 𝑋22, . . . , 𝑋2𝑛 ) (3)
Untuk menghitung mencari Euclidean digunakan rumus pada persamaan 3.
𝑑(𝑋1 , 𝑋2 ) = √∑𝑛𝑟(𝑎𝑟 (𝑋1 ) − 𝑎𝑟 (𝑋12 ))2 (4)

X1 dan X2 adalah dua himpunan data dengan total n atribut, gunakan perhitungan jarak X 1dan X2 untuk
mencari jarak antara nilai atribut pada himpunan data X1dan X2. Untuk menentukan klasifikasi data, jarak
euclidean dicari dan nilai k dipilih dari hasil euclidean yang memiliki nilai terendah dan paling dekat dengan
prediksi data. Kelas terbanyak diambil sebagai keputusan akhir klasifikasi data.
e) Interpretation atau Evaluation
Proses pencarian pola atau informasi baru yang menarik dan bermanfaat di suatu kumpulan data yang
terpilih dengan menggunakan algoritma K-Nearest Neighbor (K-NN).
Tahap evaluasi ini untuk melihat tingkat performa dari pola yang di hasilkan algoritma. Parameter yang
digunakan untuk evaluasi algoritma adalah confusion matrix yang dapat dilihat pada tabel 4 dengan melihat nilai
akurasi.[14]

Copyright © TAHUN, FIRST AUTHOR. This is an open access article distributed under the Creative Commons Attribution License,
which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. Page 5
First Author, Title

Predicted
Negatif Positif
Negatif TP FP
Aktual Positif FN TN
Table 4. confusion matrix

Keterangan:
TP (True Positive) merupakan jumlah data point berlabel yes yang nilainya diidentifikasi benar.
TN (True Negative) merupakan jumlah data point berlabel no yang nilainya diidentifikasi salah.
FP (False Positive) merupakan jumlah data point berlabel yes yang nilai sebenarnya diidentifikasi salah.
FN (False Negative) merupakan jumlah data point berlabel no yang nilai sebenarnya teridentifikasi benar.
Mencari nilai akurasi dapat menggunakan rumus sebagai berikut:

𝑇𝑃+𝑇𝑁
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = (5)
𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁

f) Penguji Data
Pengujian ini dilakukan untuk mendapatkan hasil dari model yang telah di buat yaitu Klasifikasi
penerima bantuan zakat program Pekanbaru peduli. Untuk mengetahui apakah pemodelan ini layak digunakan
maka akan dilakukan pengujian akurasi model menggunakan Pengujian akurasi model pada Klasifikasi
menggunakan metode evaluasi Confusion Matrix

2.4 Kesimpulan Dan Saran

Berdasarkan hasil pengujian maka dapat ditarik kesimpulan yang mengacu pada rumusan masalah
dan tujuan penelitian,Pada proses kesimpulan diambil menurut nilai akurasi, presisi, recall yang diperoleh dari
hasil komputasi algoritma KNN[22].

3. HASIL DAN PEMBAHASAN

Analisis dilaksanakan dengan memanfaatkan data dari Baznas kota Pekanbaru Peduli. Pengujian data
pada penelitian ini menggunakan pemograman Python untuk pemodelan algoritma K-Nearest Neighbor. Data
yang tergabung bisa ditemukan gambar 3 ini.

Gambar 3. . mengimport dataset

Page 6
 Langkah pertama yaitu mengimport dataset yang akan digunakan untuk pengujian data dapat dilihat
pada gambar 3. Pada Gambar 3,dataset yang akan digunakan dengan 7 atribut yaitu Umur,tanggungan,pekerjaan,
jumlah usulan,pendapatan, dan kondisi tempat tinggal dan layak atau tidak sebagai label .Selanjutnya proses
membagi data menjadi x dan y yang dapat dilihat pada Gambar 4

Gambar 4. Membagi Atribut Data Menjadi X dan Y

Gambar 4 variabel x memiliki atribut Umur,tanggungan,pekerjaan, jumlah usulan,pendapatan, dan

kondisi tempat tinggal dan variabel y memiliki atribut label. Berikutnya merupakan proses membagi yang dapat
dilihat pada gambar 5.

Gambar 5. Pembagian Data Dalam Komposisi 80:20

Gambar 5 merupakan proses membagi data menjadi training dan testing menggunakan fungsi
train_test_split dengan rasio 80:20. Jumlah data training adalah 481 dan testing 121. Setelah itu melakukan
pemodelan algoritma K-Nearest Neighbor dengan rumus Euclidien Distance menggunakan fungsi K-Neighbors
Classifier. Nilai k yang akan digunakan dalam penelitian ini adalah 3, 5, 7, 9 dan 11.Sebelum melakukan
pencarian nilai K, dataset dinormalisasi terlebih dahulu, di mana perhitungan jarak sangat mempengaruhi hasil,
normalisasi dapat membantu meningkatkan kinerja model. Dapat kita lihat proses normalisasi pada gambar 6.

Copyright © TAHUN, FIRST AUTHOR. This is an open access article distributed under the Creative Commons Attribution License,
which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. Page 7
First Author, Title

Gambar 6. Normalisasi Dataset

Setelah melakukan normalisasi pada dataset,kemudian melakukan pemodelan algoritma K-Nearest

Neighbor dengan rumus Euclidean Distance menggunakan fungsi K-Neighbors Classifier untuk mencari nilai
K,dapat diliat pada gambar 7.

Gambar 7. Pemodelan K-Nearest Neighbor

3.1 Evaluasi
Setelah proses pemodelan K-Nearest Neighbor (KNN) selesai, dilakukan uji akurasi. Hasil pengujian
akurasi menunjukkan performa model klasifikasi KNN setelah dilakukan pemodelan sebelumnya. Nilai akurasi
ditentukan dengan menggunakan confusion matrix. Hasil dari confusion matrix memakai beberapa percobaan
nilai k Hasil evaluasi dari pemodelan algortima K-Nearest Neighbor yang dibuat sebelumnya, dapat dilihat pada
Tabel 5 berikut :

Nilai K Hasil Akurasi Hasil Akurasi Hasil Akurasi

(90:10) (80:20) (70:30)
K3 85 88 87
K5 86 89 86
K7 85 85 85
K9 88 85 86
K 11 83 85 85

Tabel. 5

Page 8
 Adapun pengujian yang dilakukan menggunakan confusion matrix dengan nilai K = 3,5,7,9, dan 11 sebagai
jumlah tetangga terdekat kemudian untuk perbandingan yang digunakan yaitu 90:10,80:20,70:30. Berdasarkan hasil
pengujian yang dapat dilihat pada tabel 5, hasil akurasi tertinggi terletak diangka 89% dengan rasio 80:20 data latih dan
uji pada nilai K = 5, Hasil confussion matrix dengan akurasi tertinggi dapat dilihat pada gambar 8.

Gambar 8. Tampilan Hasil Confusion Matrix

Gambar diatas menjelaskan hasil dari pengujian model klasifikasi yang telah dilakukan, angka yang
terdapat pada gambar menunjukkan seberapa baik model untuk menentukan kelas aktual masuk ke dalam kelas
prediksi pada perbandingan data 80:20 dengan nilai K = 5. Kemudian hasil evaluasi lainnya untuk Classification
Report, precision, recall, dapat dilihat pada gambar 9.

Gambar 9. Tampilan Hasil Classification Report,Precision, Recall,

Berdasarkan gambar 9 dapat dilihat bahwa terdapat nilai Classification Report, precision, recall hasil
ini didapatkan dari perhitungan pengujian confusion matrix. Adapun hasil perhitungan yang didapatkan adalah
nilai Precision dengan macro average 87,3%, recall 91,4% , f1 score 88,4% dan accuracy 89,3%. Hasil ini
menunjukkan bahwa model klasifikasi dapat bekerja dengan baik.

4. KESIMPULAN
Berdasarkan hasil penelitian yang telah dilakukan, dapat disimpulkan bahwa metode yang digunakan
terbilang efektif untuk melakukan klasifikasi data Baznas Pekanbaru peduli. Hasil pengujian dengan variasi
perbandingan data dan nilai K yang berbeda menunjukkan bahwa kinerja terbaik ditemukan pada pengujian
dengan nilai K=5 serta perbandingan 80:20 data training dan testing yang memiliki akurasi sebesar 89,3%. Hasil
tersebut juga diikuti dengan nilai precision sebesar 87,3%, recall sebesar 91,4%, dan f1 score sebesar 88,4%.
Untuk studi lebih lanjut, disarankan untuk dapat meningkatkan nilai akurasi dengan mencoba menggunakan
dataset lain berupa tipe data numerik (non-transformasi).

Copyright © TAHUN, FIRST AUTHOR. This is an open access article distributed under the Creative Commons Attribution License,
which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. Page 9
First Author, Title

REFERENCES
[1] A. A. Islami, “Jurnal Computer Science and Information Technology ( CoSciTech ) menggunakan algoritma lexrank,” vol.
3, no. 3, pp. 371–381, 2022.
[2] D. Suryani and L. Fitriani, “Fungsi Zakat dalam Mengatasi Kemiskinan,” Al-Iqtishad J. Islam. Econ., vol. 10, no. 1, p. 62,
2022, [Online]. Available: https://jurnal.stai-alazharmenganti.ac.id/index.php/AlIqtishod/article/view/307/176
[3] E. Haerani and R. Ramdaril, “Sistem Pendukung Keputusan Pendistribusian Zakat Pada Baznas Kota Pekanbaru
Menggunakan Fuzzy Multiple Attribute Decission Making (FMADM) Dan Simple Additive Weighting (SAW),” J. Tek.
Inform., vol. 10, no. 2, pp. 159–168, 2018, doi: 10.15408/jti.v10i2.6994.
[4] rahayu deny danar dan alvi furwanti Alwie, A. B. Prasetio, R. Andespa, P. N. Lhokseumawe, and K. Pengantar, “Tugas
Akhir Tugas Akhir,” J. Ekon. Vol. 18, Nomor 1 Maret201, vol. 2, no. 1, pp. 41–49, 2020.
[5] M. Riyyan and H. Firdaus, “PERBANDINGAN ALGORITME NAÕVE BAYES DAN KNN TERHADAP DATA
PENERIMAAN BEASISWA (Studi Kasus Lembaga Beasiswa Baznas Jabar),” J. Inform. dan Rekayasa Elektron., vol. 5,
no. 1, pp. 1–10, 2022, doi: 10.36595/jire.v5i1.547.
[6] F. Kurnia, J. Kurniawan, I. Fahmi, and S. Monalisa, “Klasifikasi Keluarga Miskin Menggunakan Metode K-Nearest
Neighbor Berbasis Euclidean Distance,” Semin. Nas. Teknol. Inf. Komun. dan Ind., no. November, pp. 230–239, 2019,
[Online]. Available: https://ejournal.uin-suska.ac.id/index.php/SNTIKI/article/view/8089
[7] I. A. Nikmatun and I. Waspada, “Implementasi Data Mining untuk Klasifikasi Masa Studi Mahasiswa Menggunakan
Algoritma K-Nearest Neighbor,” J. SIMETRIS, vol. 10, no. 2, pp. 421–432, 2019.
[8] L. Anshori, R. R. M. Putri, and Tibyani, “Implementasi Metode K-Nearest Neighbor untuk Rekomendasi Keminatan Studi
(Studi Kasus : Jurusan Teknik Informatika Universitas Brawijaya),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no.
7, pp. 2745–2753, 2018, [Online]. Available:
https://www.researchgate.net/publication/321097020_Implementasi_Metode_K-
Nearest_Neighbor_untuk_Rekomendasi_Keminatan_Studi_Studi_Kasus_Jurusan_Teknik_Informatika_Universitas_Brawija
ya
[9] I. T. Julianto, D. Kurniadi, M. R. Nashrulloh, and A. Mulyani, “Comparison of Classification Algorithm and Feature
Selection in Perbandingan Algoritma Klasifikasi Dan Feature Selection,” Jutif, vol. 3, no. 3, pp. 739–744, 2022.
[10] M. Ula, R. Zulhusna, R. Putra Fhonna, and A. Pratama, “Penerapan Model Klasifikasi K-Nearest Neighbor Dalam
Pencarian Kesesuaian Pekerjaan,” Metik J., vol. 6, no. 1, pp. 18–23, 2022, doi: 10.47002/metik.v6i1.343.
[11] S. R. Raysyah, Veri Arinal, and Dadang Iskandar Mulyana, “Klasifikasi Tingkat Kematangan Buah Kopi Berdasarkan
Deteksi Warna Menggunakan Metode Knn Dan Pca,” JSiI (Jurnal Sist. Informasi), vol. 8, no. 2, pp. 88–95, 2021, doi:
10.30656/jsii.v8i2.3638.
[12] I. Iswanto, T. Tulus, and P. Poltak, “Comparison of Feature Selection To Performance Improvement of K-Nearest Neighbor
Algorithm in Data Classification,” J. Tek. Inform., vol. 3, no. 6, pp. 1709–1716, 2022, doi: 10.20884/1.jutif.2022.3.6.471.
[13] M. Syukri Mustafa and I. Wayan Simpen, “Implementation of the K-Nearest Neighbor (KNN) Algorithm to Predict Patients
Affected by Diabetes at the Manyampa Health Center, Bulukumba Regency,” Pros. Semin. Ilm. Sist. Indormasi dan Teknol.
Inf., vol. VIII, no. 1, pp. 1–10, 2019.
[14] M. R. Akhmad and T. A. Y. Siswa, “Implementasi K-Nearest Neighbor Dalam Memprediksi Keterlambatan Pembayaran
Biaya Kuliah Di Perguruan Tinggi,” Progresif J. Ilm. Komput., vol. 18, no. 2, p. 185, 2022, doi:
10.35889/progresif.v18i2.921.
[15] R. L. Hasanah, M. Hasan, W. E. Pangesti, F. F. Wati, and W. Gata, “Klasifikasi Penerima Dana Bantuan Desa
Menggunakan Metode Knn (K-Nearest Neighbor),” J. Techno Nusa Mandiri, vol. 16, no. 1, pp. 1–6, 2019, doi:
10.33480/techno.v16i1.25.
[16] F. Tangguh Admojo, “Indonesian Journal of Data and Science Klasifikasi Aroma Alkohol Menggunakan Metode KNN,”
Indones. J. Data Sci., vol. 1, no. 2, pp. 34–38, 2020.
[17] S. Nurjanah, A. M. Siregar, and D. S. Kusumaningrum, “Penerapan Algoritma K – Nearest Neighbor (KNN) Untuk
Klasifikasi Pencemaran Udara Di Kota Jakarta,” Sci. Student J. Information, Technol. Sci., vol. 1, no. 2, pp. 71–76, 2020,
[Online]. Available: http://journal.ubpkarawang.ac.id/mahasiswa/index.php/ssj/article/view/14
[18] A. Alfani W.P.R., F. Rozi, and F. Sukmana, “Prediksi Penjualan Produk Unilever Menggunakan Metode K-Nearest
Neighbor,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 6, no. 1, pp. 155–160, 2021, doi:
10.29100/jipi.v6i1.1910.
[19] D. Handoko, H. S. Tambunan, and J. T. Hardinata, “Analisis Penjualan Produk Paket Kuota Internet Dengan Metode K-
Nearest Neighbor,” Jurasik (Jurnal Ris. Sist. Inf. dan Tek. Inform., vol. 6, no. 1, p. 111, 2021, doi:
10.30645/jurasik.v6i1.275.
[20] J. Ali and R. Faroji, “Pengaruh Profitabilitas terhadap Nilai Perusahaan,” J. Neraca Perad., vol. 1, no. 2, pp. 128–135, 2021,
doi: 10.55182/jnp.v1i2.36.
[21] D. A. Nasution, H. H. Khotimah, and N. Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan
Algoritma K-NN,” Comput. Eng. Sci. Syst. J., vol. 4, no. 1, p. 78, 2019, doi: 10.24114/cess.v4i1.11458.
[22] A. K. Baskara, A. Nazir, M. Irsyad, Y. Yusra, and F. Insani, “Implementasi Data Mining Memprediksi Penjualan Crude
Palm Oil Berdasarkan Kapasitas Tangki Menggunakan Multiple Linear Regression,” J. Sist. Komput. dan Inform., vol. 4,
no. 3, p. 493, 2023, doi: 10.30865/json.v4i3.5665.

Page 10