<![CDATA[Indeks Pembangunan Manusia (IPM) adalah pengukuran perbandingan standar hidup, harapan hidup, dan pendidikan di semua negara. IPM digunakan sebagai indikator untuk menilai aspek kualitas pembangunan, mengklasifikasikan negara, dan mengukur pengaruh kebijakan ekonomi terhadap kualitas hidup. IPM adalah data strategis karena selain digunakan sebagai ukuran kinerja pemerintah, juga digunakan sebagai alokator penentuan Dana Alokasi Umum (DAU). Pengukuran Indeks pembangunan manusia sangat penting bagi pemerintah, karena digunakan sebagai pendukung keputusan perencanaan pembangunan manusia di suatu wilayah. Oleh karena itu pemilihan metode pengukuran IPM yang memiliki akurasi tinggi sangat penting, agar keputusan perencanaan pembangunan manusia menjadi efektif dan tepat sasaran. Tujuan penelitian ini adalah membandingkan akurasi dari metode K-Nearest Neighbor dan Artificial Neural Network untuk klasifikasi IPM menggunakan data kabupaten dan kota di Pulau Jawa. Hasil penelitian menunjukkan bahwa metode K-Nearest Neighbor menggunakan 80%-20% data training dan testing, pada nilai K=7 menunjukkan tingkat akurasi sebesar 95,83%, sedangkan pada metode Artificial Neural Network dengan pembagian data 70%-30% menghasilkan tingkat akurasi sebesar 94,44%. Berdasarkan perbandingan tersebut Metode K-Nearest Neighbor mempunyai akurasi yang lebih baik dibandingkan metode Artificial Neural Network. Namun evaluasi menggunakan Fold Cross Validation, dengan nilai K=3, pada metode K-Nearest Neighbor menunjukkan akurasi terbaik sebesar 84,85%, sedangkan pada metode Artificial Neural Network terdapat overfitting sehingga hasil kurang baik. Penerapan metode KNN dan ANN pada klasifikasi IPM kabupaten/kota di Pulau Jawa menunjukkan bahwa antara kedua metode memiliki kelemahan, dimana pada pembagian data dengan nilai akurasi tertinggi, bukan merupakan model terbaik. Pada kedua metode dengan tingkat akurasi yang tertinggi, berdasarkan Fold Cross Validation bukan merupakan model terbaik, sehingga dapat disimpulkan bahwa kedua metode tersebut tidak lebih baik dari yang lain.  Abstract The Human Development Index (HDI) is a comparative measure of living standards, life expectancy, and education across countries. The HDI is used as an indicator to assess aspects of development quality, classify countries, and measure the impact of economic policies on quality of life. The HDI is strategic data because in addition to being used as a measure of government performance, it is also used as an allocator for determining the General Allocation Fund (DAU). Measuring the Human Development Index is very important for the government, because it is used to support decisions on human development planning in a region. Therefore, choosing a high-accuracy HDI measurement method is very important, so that human development planning decisions are effective and on target. The purpose of this study was to compare the accuracy of the K-Nearest Neighbor method and Artificial Neural Network for HDI classification using district and city data in Java. The results showed that the K-Nearest Neighbor method used 80%-20% training and testing data, at a value of K = 7 showed an accuracy level of 95.83%, while the Artificial Neural Network method with a data division of 70%-30% produced an accuracy level of 94.44%. Based on the comparison, the K-Nearest Neighbor method has better accuracy than the Artificial Neural Network method. However, the evaluation using Fold Cross Validation, with a value of K = 3, in the K-Nearest Neighbor method shows the best accuracy of 84.85%, while in the Artificial Neural Network method there is overfitting so that the results are not good. The application of the KNN and ANN methods to the classification of the HDI of districts/cities in Java shows that both methods have weaknesses, such that the model with the highest accuracy in data distribution is not the best model. In both methods with the highest level of accuracy, based on Fold Cross Validation, it is not the best model, so it can be concluded that the two methods are not better than the others.]]>
