Proses penentuan penerima Program Keluarga Harapan (PKH) di Kelurahan Mosso, Kecamatan Sendana, Kabupaten Majene masih dilakukan secara manual, yang sering kali menyebabkan ketidaktepatan dalam penyaluran bantuan. Penelitian ini bertujuan untuk melihat tingkat akurasi metode Weighted Naïve Bayes dan Random Forest dalam mengklasifikasi penerima PKH serta membandingan hasil kedua metode tersebut. Data yang digunakan mencakup 73 responden dari kuisioner dan 100 data simulasi dan diproses melalui pra-pemrosesan, penanganan keseimbangan data menggunakan Synthetic Minority Oversampling Technique (SMOTE), dan klasifikasi dengan kombinasi data latih dan data uji sebesar 70%:30%, 80%:20%, dan 90%:10%, serta divalidasi menggunakan 5- fold cross-validation. Hasil penelitian ini menunjukkan bahwa tingkat akurasi metode Weighted Naïve Bayes pada data riil uji model sebesar 72,73% pada pembagian data 70%:30%, meningkat menjadi 87,50% pada pembagian 90%:10%, dengan akurasi crossvalidation antara 81,44% hingga 85,32%. Sedangkan pada data simulasi, akurasi uji model mencapai 86,67% pada pembagian 70%:30% dan stabil pada sekitar 80% pada pembagian lainnya, dengan akurasi cross-validation antara 85,61% hingga 86,78%. Metode Random Forest menunjukkan performa yang lebih baik, dengan akurasi uji model pada data asli mencapai 82% hingga 100%, dan cross-validation antara 78,89% hingga 88,53%. Pada data simulasi, akurasi Random Forest berkisar antara 80% hingga 90% pada uji model dan 86,48% hingga 87,74% pada cross-validation. Berdasarkan hasil penelitian, Random Forest menunjukkan performa yang lebih stabil dan andal baik pada data riil maupun simulasi dalam mengklasifikasi penerima PKH dibandingkan Weighted Naïve Bayes.

The process of determining recipients for the Program Keluarga Harapan (PKH) in Kelurahan Mosso, Kecamatan Sendana, Kabupaten Majene is still done manually, which often leads to inaccuracies in the distribution of aid. This study aims to assess the accuracy of the Weighted Naïve Bayes and Random Forest methods in classifying PKH
recipients and to compare the results of these two methods. The data used includes responses from 73 questionnaires and 100 simulated data points, processed through preprocessing, data balancing using Synthetic Minority Oversampling Technique (SMOTE), and classification with training and test data splits of 70%:30%, 80%:20%, and 90%:10%, and validated using 5-fold cross-validation. The results show that the accuracy
of the Weighted Naïve Bayes method on the real data was 72,73% for the 70%:30% split, increasing to 87,50% for the 90%:10% split, with cross-validation accuracy ranging from 81,44% to 85,32%. For simulated data, the model accuracy reached 86,67% for the 70%:30% split and remained around 80% for other splits, with cross-validation accuracy between 85,61% and 86,78%. The Random Forest method demonstrated better performance, with model accuracy on original data ranging from 82% to 100%, and crossvalidation ranging from 78,89% to 88,53%. On simulated data, Random Forest accuracy ranged from 80% to 90% for the model and 86,48% to 87,74% for cross-validation. Based on the results, Random Forest shows more stable and reliable performance in classifying PKH recipients compared to Weighted Naïve Bayes, both for real and simulated data.