To date, the needs of schools related to the purchase of goods to be provided each year still face difficulties in determining the number of goods so that it requires applications that can facilitate the prediction of the needs of school goods. Based on these problems, the design and creation of applications used to predict asset requirements with the K-Neighbor Nearest (KNN) approach. The method used is a data mining step known as the Cross-Industry Standard Process for Data Mining (CRISP-DM). Test results at MAN 1 Banda Aceh showed the accuracy of the K-Nearest Neighbor (KNN) method using merchandise supply data, the data consisted of 32 tranings and 32 test data obtained the result of a 98.5% accuracy score and an error value of 1.5%, with the highest error value of 4.8% and the lowest error value of 0%.

Sampai saat ini kebutuhan sekolah terkait pengadaan barang yang perlu disediakan setiap tahunnya masih mengalami kendala dalam penetapan jumlah barang sehingga membutuhkan aplikasi yang dapat memudahkan dalam memprediksi kebutuhan barang sekolah. Berdasarkan permasaIahan tersebut maka diIakukan perancangan dan pembuatan apIikasi yang digunakan untuk memprediksi kebutuhan aset dengan pendekatan aIgoritma K- Nearest Beighbor (KNN). Metode yang digunakan adaIah tahapan data mining yang dikenaI dengan istilah Cross industry Standard Process for Data Mining (CRISP-DM). Hasil pengujian yang dilaksanakan di sekolah MAN 1 Banda Aceh menunjukan keakuratan metode K-Nearest Neighbor (KNN) menggunakan data kebutuhan barang, data terdiri dari 32 traning dan 32 data testing diperoleh hasiI niIai akurasi sebesar 98,5% dan niIai error sebesar 1,5 %, dengan nilai error terbesar 4,8% serta nilai error terkecil 0%.