Penerapan Algoritma K-Means untuk Pengelompokan Tingkat Kemacetan Lalu Lintas Berdasarkan Data Transportasi

Peningkatan jumlah kendaraan yang tidak diimbangi dengan perkembangan infrastruktur jalan memicu lonjakan kemacetan lalu lintas. Untuk mengatasi masalah ini, diperlukan analisis data yang terstruktur guna memetakan pola kepadatan kendaraan. Penelitian ini menerapkan teknik data mining dengan pendekatan clustering melalui algoritma K-Means untuk mengelompokkan tingkat kemacetan berdasarkan data transportasi. Metodologi penelitian mengikuti tahapan CRISP-DM, yang meliputi business understanding, data understanding, data preparation, modeling, evaluation, hingga deployment. Data yang digunakan bersumber dari Kaggle dengan variabel start point, end point, travel time, distance, dan waktu perjalanan. Validasi dan evaluasi kualitas klaster diuji menggunakan Silhouette Score dan Davies-Bouldin Index (DBI). Hasil akhir dari penelitian ini diharapkan mampu membentuk klaster tingkat kemacetan yang representatif dengan nilai pengujian validitas klaster yang optimal. Melalui pendekatan kuantitatif ini, penelitian dapat memberikan gambaran pola kepadatan yang valid serta menjadi bahan rujukan strategis dalam pengelolaan lalu lintas yang lebih efektif.