Implementasi Data Mining untuk Penentuan Prioritas Perbaikan Jalan Menggunakan Metode Klasifikasi Algoritma K-Nearest Neighbors

Aurita Nur Hamidah, Fajar Nugraha, Syafi’ul Muzid

Sari


Infrastruktur jalan yang baik merupakan komponen vital dalam mendukung mobilitas masyarakat dan mempercepat pertumbuhan ekonomi suatu wilayah. Di Indonesia, kerusakan jalan yang cukup tinggi, termasuk di Kabupaten Pati, menimbulkan tantangan tersendiri dalam penentuan prioritas perbaikan yang tepat dan efisien. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi tingkat kerusakan jalan menggunakan algoritma K-Nearest Neighbors (K-NN), guna memberikan rekomendasi prioritas perbaikan secara objektif. Data yang digunakan berasal dari Dinas Pekerjaan Umum dan Tata Ruang (DPUTR) Kabupaten Pati, mencakup atribut fisik seperti panjang, lebar jalan, serta persentase kerusakan ringan dan berat. Pendekatan data mining diterapkan untuk menemukan pola tersembunyi dari data historis yang dapat dimanfaatkan dalam pengambilan keputusan berbasis bukti. Proses pengembangan sistem mengikuti kerangka kerja CRISP-DM, dimulai dari pemahaman bisnis, eksplorasi data, praproses, pemodelan, hingga evaluasi. Model K-NN yang dibangun dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil evaluasi menunjukkan performa sangat baik dengan akurasi mencapai 98%, serta nilai precision dan recall tinggi di seluruh kelas. Sistem yang dikembangkan berhasil mengklasifikasikan jalan ke dalam tiga tingkat prioritas: rendah, sedang, dan tinggi. Dengan hasil tersebut, sistem ini mampu membantu pemerintah daerah dalam menetapkan prioritas perbaikan jalan secara lebih cepat, efisien, dan berbasis data.

Kata Kunci


K-Nearest Neighbors, Data Mining, Prioritas Perbaikan Jalan

Teks Lengkap:

Download PDF

Referensi


A. R. Usman, S. E. Saleh, and S. Indriyani, “Dampak Perbaikan Infrastruktur Jalan Terhadap Pertumbuhan UMKM di Kecamatan Kota Selatan Kota Gorontalo,” Econ. Rev. J., vol. 4, no. 1, pp. 300–312, 2025.

R. S. Nuhun, L. Welendo, M. F. Almaliki, I. Ismayana, H. Herianto, and H. Harmianto, “Evaluasi Panjang dan Kondisi Jalan di Kabupaten/Kota Provinsi Sulawesi Tenggara: Implikasi Terhadap Pengelolaan Infrastruktur,” Innov. J. Soc. Sci. Res., vol. 4, no. 5, pp. 8824–8835, 2024.

A. G. Silalahi and others, “Sistem Informasi Geografis Prioritas Penanganan Kerusakan Infrastruktur Menggunakan Metode MOORA,” METIK J. (AKREDITASI SINTA 3), vol. 9, no. 1, pp. 170–180, 2025.

M. Indarto and B. Santoso, “Efektivitas Pemanfaatan Big Data dalam Pengambilan Keputusan Strategis di Industri Perbankan,” J. Bisnis dan Manaj., vol. 2, no. 4, pp. 1159–1182, 2024.

Z. F. Ahmed Arifi Hilman Rahman, “Implementasi Data Mining Menggunakan Algoritma Apriori,” J. SITECH Sist. Inf. dan Teknol., vol. 7, no. 2, 2024.

Z. F. Ahsin Ilallah, “Penerapan Data Mining Menggunakan Metode Naïve Bayes untuk Memprediksi Tingkat Perceraian Pasangan Muda di Kota Banyuwangi,” J. SITECH Sist. Inf. dan Teknol., vol. 7, 2024.

U. Labuhanbatu and M. Masrizal, Data Mining Analisis Kepuasan Peserta Didik Berbasis Machine Learning, no. June. 2025.

A. Ernawati, Z. Sitorus, M. Iqbal, D. Nasution, and others, “Penerapan Data Mining Untuk Klasifikasi Penduduk Miskin Di Kabupaten Labuhanbatu Menggunakan Random Forest Dan K-Nearest Neighbors,” Bull. Inf. Technol., vol. 6, no. 2, pp. 23–35, 2025.

P. T. I. U. P. Y. Nurirwan Saputra, “Pengenalan Data Mining,” 2023.

R. Rianti and R. Andarsyah, “Memprediksi Tingkat Atrisi Karyawan Menggunakan Machine Learning,” J. Tekno Insentif, vol. 18, no. 1, pp. 39–52, 2024.

S. Sutisna and M. N. Yuniar, “Klasifikasi kualitas air bersih menggunakan METODE Naive baiyes,” J. Sains dan Teknol., vol. 5, no. 1, pp. 243–246, 2023.

N. Wahyuningsih and H. Hendry, “Perbandingan metode klasifikasi dalam analisis sentimen masyarakat terhadap identitas kependudukan digital (ikd),” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 8, no. 4, pp. 1218–1227, 2023.

S. Pramuwidya, R. Y. Fa’rifah, and O. N. Pratiwi, “Klasifikasi Review Customer E-Commerce Menggunakan Metode K-Nearest Neighbor (Studi Kasus: Bukalapak),” eProceedings Eng., vol. 10, no. 3, 2023.

M. A. Zidane et al., “PENILAIAN KOMPARATIF METODE KLASIFIKASI NEURAL NETWORK DAN RANDOM FOREST UNTUK KNOWLEDGE DISCOVERY PADA PENYAKIT DIABETES,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 3, pp. 4999–5006, 2025.

T. D. Arista, Y. Yusra, M. Fikry, and L. Oktavia, “Klasifikasi Sentimen Masyarakat di Twitter terhadap Kenaikan Harga BBM dengan Metode K-NN,” JUKI J. Komput. dan Inform., vol. 5, no. 1, pp. 140–150, 2023.

P. Putra, A. M. H. Pardede, and S. Syahputra, “Analisis Metode K-Nearest Neighbour (Knn) Dalam Klasifikasi Data Iris Bunga,” JTIK (Jurnal Tek. Inform. Kaputama), vol. 6, no. 1, pp. 297–305, 2022.

S. Lonang, A. Yudhana, and M. K. Biddinika, “Analisis Komparatif Kinerja Algoritma Machine Learning untuk Deteksi Stunting,” J. Media Inform. Budidarma, vol. 7, no. 4, pp. 2109–2117, 2023.




DOI: https://doi.org/10.24176/sitech.v8i1.15347

Refbacks

  • Saat ini tidak ada refbacks.


 

 

JournalStories Main logo JournalStories Main logo

 

Flag Counter