Sektor properti di Indonesia terus berkembang, namun pemilihan tipe rumah masih sering dilakukan secara subjektif sehingga menyulitkan calon pembeli dalam menentukan pilihan.
Penelitian ini bertujuan mengembangkan sistem klasifikasi tipe rumah menggunakan algoritma K-Nearest Neighbor (KNN) dengan pendekatan CRISP-DM agar proses pemilihan rumah menjadi lebih objektif dan berbasis data. Dataset yang digunakan terdiri atas 708 data properti residensial di Jakarta yang diperoleh dari Kaggle. Setelah proses
pembersihan data menggunakan metode Interquartile Range (IQR), diperoleh 568 data dan kemudian diseleksi menjadi 462 data dengan tiga kategori, yaitu Tipe 36, Tipe 45, dan Tipe
60. Model menggunakan lima fitur, yaitu jumlah kamar tidur, luas bangunan, jumlah lahan parkir, kamar mandi, dan harga rumah. Tahap preprocessing meliputi penghapusan atribut
yang tidak relevan, pelabelan tipe rumah, normalisasi MinMax, dan label encoding. Data kemudian dibagi menjadi data latih dan data uji dengan rasio 70:30. Pengujian dilakukan menggunakan nilai k = 3, 5, dan 7. Model terbaik menghasilkan akurasi 77,70%, presisi 74,60%, recall 78,33%, dan F1-score 76,43%. Hasil penelitian menunjukkan bahwa
algoritma KNN cukup efektif dalam mengklasifikasikan tipe rumah dan dapat digunakan sebagai pendukung pengambilan keputusan bagi calon pembeli rumah.