BDI Denpasar adalah sebuah instansi pemerintahan yang memiliki tugas memberikan pelatihan dan
pendidikan bagi SDM di bidang keahlian animasi, kerajinan dan barang seni. BDI Denpasar dalam
pengelolaan kelas berita di layanan Kabar Insan Oke ini masih menggunakan cara konvensional. Oleh
sebab itu diperlukan sebuah modul klasifikasi berita otomatis. Penelitian ini dibuat untuk
membandingkan tingkat performa klasifikasi berita pada BDI Denpasar menggunakan klasifikasi K-NN
dengan metode pembobotan kata TF-RF dan TF-ABS. Metode yang memiliki tingkat performa yang
tinggi akan diimplementasikan pada modul klasifikasi berita. Penelitian ini dilakukan dengan cara
mengumpulkan dokumen berita, preprocessing teks, term weighting, klasifikasi, validasi model dan
pengujian. Klasifikasi K-NN menggunakan n_neighbhor (k) yaitu k=3, k=5, k=7 dan k=9 menggunakan
dataset sebanyak 324 dokumen berisikan 7 kelas yang diambil dari website BDI Denpasar. Berdasarkan
hasil pengujian yang dilakukan, metode pembobotan kata TF-RF memperoleh tingkat perfomansi yang
lebih tinggi pada nilai k=5 dengan accuracy adalah 71%, precision 73% dan recall sebesar 71%. Metode
pembobotan kata TF-ABS yang nilai k memiliki performansi tertinggi terdapat pada k=9 yang
memperoleh accuracy sebesar 70%, precision sebesar 63% dan recall sebesar 70%. Jadi metode yang
akan diimplementasikan pada modul klasifikasi berita yaitu TF-RF k=5 dengan accuracy sebesar 71%,
precision 73% dan recall sebesar 71%.