Kebakaran hutan dan lahan merupakan salah satu masalah serius dan berulang terjadi di Indonesia. Intensitas tingginya kebakaran hutan disebabkan oleh persebaran titik panas di wilayah rawan kebakaran. Salah satu upaya pencegahan dan meminimalkan risiko kebakaran hutan adalah dengan cara mengidentifikasi jenis titik panas dengan menggunakan pendekatan klasifikasi. Salah satu algoritma klasifikasi terpopuler adalah k Nearest Neighbor (k-NN). Algoritma tersebut menggunakan pendekatan perhitungan jarak dalam mengklasifikasikan objek. Tujuan penelitian ini adalah mengklasifikasikantipe titik panas yang tersebar di Indonesia menggunakan algoritma k-NN serta menganalisis pengaruh metode perhitungan jarakpada algoritma k-NN. Jenis metode pengukuran jarak yang dianalisis meliputi Euclidean, Canberra, Chebyshev, dan Manhattan Adapun dataset yang digunakan adalah sebaran titik panas di Indonesia yang diperoleh dari Global Forest Watch (GFW). Penelitian merancang dataset dengan dua kondisi, melalui tahap pre-processing dan tidak. Secara umum, akurasi model dari kombinasi k-NN dengan ragam metode pengukuran jarak diatas 90%. Tahap pre-processing mampu meningkatkan performansi model 1-8 kali lipat. Kombinasi k-NN dengan Manhattan merupakan pilihan terbaik untuk mengidentifikasi jenis titik api dengan akurasi 92,6%.