Model Klasifikasi Tingkat Kerusakan Jalan Berbasis Algoritma Random Forest di Kabupaten Kuantan Singingi: A Classification Model for Road Damage Severity Using the Random Forest Algorithm in Kuantan Singingi Regency

Riska Mela Sapitri; Helda Yenni; Rahmaddeni Rahmaddeni; Agustin Agustin

doi:10.57152/malcom.v6i3.2765

Authors

Riska Mela Sapitri Universitas Sains dan Teknologi Indonesia
Helda Yenni Universitas Sains dan Teknologi Indonesia
Rahmaddeni Rahmaddeni Universitas Sains dan Teknologi Indonesia
Agustin Agustin Universitas Sains dan Teknologi Indonesia

DOI:

https://doi.org/10.57152/malcom.v6i3.2765

Keywords:

Kabupaten Kuantan Singingi, Kerusakan Jalan, Klasifikasi, Machine learning, Random Forest

Abstract

Kerusakan jalan merupakan salah satu permasalahan infrastruktur yang dapat menghambat mobilitas masyarakat serta mempengaruhi efektivitas transportasi. Penilaian kondisi jalan yang masih dilakukan secara manual membutuhkan waktu yang cukup lama dan berpotensi menghasilkan penilaian yang kurang konsisten. Penelitian ini bertujuan untuk membangun model klasifikasi tingkat kerusakan jalan menggunakan algoritma Random Forest pada data infrastruktur jalan Kabupaten Kuantan Singingi. Data yang digunakan berasal dari Dinas Pekerjaan Umum dan Penataan Ruang (PUPR) Kabupaten Kuantan Singingi sebanyak 1.240 data dengan 13 variabel. Tahapan penelitian meliputi preprocessing data, data cleaning, pembagian data dengan rasio 80:20, seleksi fitur menggunakan feature importance, serta pembangunan model klasifikasi Random Forest. Hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan kondisi jalan ke dalam empat kategori, yaitu baik, sedang, rusak ringan, dan rusak berat dengan nilai accuracy sebesar 83%, precision sebesar 78%, recall sebesar 83%, dan F1-score sebesar 80%. Hasil tersebut menunjukkan bahwa tujuan penelitian berhasil dicapai, yaitu menghasilkan model klasifikasi yang mampu melakukan penilaian kondisi jalan secara otomatis dengan performa yang baik. Model yang dihasilkan diharapkan dapat membantu pemerintah daerah dalam melakukan penilaian kondisi jalan secara lebih objektif, cepat, dan efisien sebagai dasar dalam perencanaan pemeliharaan infrastruktur jalan

Downloads

Download data is not yet available.

References

I. G. Agung, A. Istri, I. G. A. Diputera, I. K. Diartama, and K. Tubuh, “Analisis Penyebab dan Dampaknya Kerusakan Infrastruktur Jalan Terhadap Para Pengguna Jalan dan Masyarakat Sekitar,” vol. 11, no. 2, pp. 32–36, 2022, doi: https://doi.org/10.36733/jikt.v11i2.5427.

Gusmulyani, A. Irawan, and Yolanda, “Analisa Pengaruh Volume Kendaraan Terhadap Kerusakan jalan Rigid Di Teluk Kuantan,” vol. 4, no. April, pp. 27–37, 2022.

A. Faisal, “Pengaruh Volume Kendaraan Terhadap Tingkat Kerusakan Jalan Pada Perkerasan Luntur Di Kabupaten Kuantan Singingi,” vol. 4, no. 2, pp. 1560–1567, 2021, doi: https://doi.org/10.36378/jupersatek.v4i2.2349.

U. Kerusakan, K. J. Klasisikasi, J. Arteri, J. Kolektor, J. Lokal, and J. Lingkungan, “Bab 3 landasan teori 3.1,” 2018.

H. Asnur, R. Yunita, and A. R. Marsa, “Algoritma Random Forest Untuk Prediksi Perkerasan Tanah,” vol. 5, no. 2, pp. 381–387, 2025, doi: https://doi.org/10.55382/jurnalpustakaai.v5i2.108.

M. W. Nugroho, “Jurnal JTIK ( Jurnal Teknologi Informasi dan Komunikasi ) Analisis Performa Algoritma Random Forest dalam Mengatasi Overfitting pada Model Prediksi,” vol. 9, no. December, pp. 1562–1571, 2025, doi: https://doi.org/10.32520/stmsi.v15i3.6060.

N. Jamilah, S. M. Umar, and J. Ramba, “Penerapan Algoritma C4 . 5 dan Random Forest untuk Pemetaan,” vol. 7, pp. 326–339, 2024, doi: https://doi.org/10.57093/jisti.v7i2.270.

A. Lubis, GesviFadrizal, and A. Saleh, “s IKLU s,” vol. 6, no. 2, pp. 195–203, 2020, doi: https://10.31849/ siklus.v6i2.4647.

“Teknik Pengumpulan Data Dalam Penelitian,” vol. 10, pp. 315–325, 2025, doi: https://garuda.kemdiktisaintek.go.id/documents/detail/5668522.

P. S. Agasha and R. R. Ulum, “Teknik Pengumpulan Data Dalam Pendekatan Kualitatif,” vol. 5, no. 2, pp. 707–713, 2025, doi: https://Vol. 5, No. 2, Desember 2025.

B. A. Habsy, S. Q. A, and I. Widyanika, “Manajemen Pengumpulan Data,” pp. 34–46, 2024, doi: https://doi.org/10.59581/jmk-widyakarya.v2i6.4232.

A. Agung, A. Daniswara, and I. K. D. Nuryana, “Data Preprocessing Pola Pada Penilaian Mahasiswa Program Profesi Guru,” vol. 05, pp. 97–100, 2023, doi: https://doi.org/10.47065/bits.v7i2.8164.

B. Warsito and A. Prahutama, “Sentiment Analysis on Tokopedia Product Online Reviews Using Random Forest Method,” vol. 16006, pp. 1–10, 2020, doi: https://doi.org/10.1051/e3sconf/202020216006.

S. A. Arian, P. R. Alifia, B. Prihantoro, and M. I. Disriansyah, “Comparison of Supervised Machine learning Classification Models in Knowledge Discovery of Pertamina Prabumulih IT Services Perbandingan Model Klasifikasi Supervised Machine learning dalam Knowledge Discovery Layanan TI Pertamina Prabumulih,” vol. 6, no. April, pp. 705–715, 2026, doi: https://doi.org/10.57152/malcom.v6i2.2617.

W. D. Budimulia and F. Ridho, “Penerapan Komputasi Paralel pada Aplikasi Studi Kasus Survei Sosial Ekonomi Nasional,” pp. 7–14, doi: https://doi.org/10.34123/semnasoffstat.v2019i1.120.

J. Elektronika and D. A. N. Komputer, “Mengoptimalkan Proses Pembersihan Data dalam Analisis Big Data Menggunakan Pipeline Berbasis AI,” vol. 17, no. 2, pp. 657–666, 2024, doi: https://doi.org/10.51903/elkom.v17i2.2311 https://journal.stekom.ac.id/index.php/elkom.

E. Sahelvi, P. Cikita, and R. M. Sapitri, “Comparison of K-Nearest Neighbors and Random Forest Algorithms for Recommendations for a Healthy Lifestyle in Prevent Heart Disease Perbandingan Algoritma K-Nearest Neighbors dan Random Forest untuk Rekomendasi Gaya Hidup Sehat dalam Mencegah Penyakit Jan,” vol. 5, no. July, pp. 830–840, 2025, doi: https://doi.org/10.57152/malcom.v5i3.1972.

I. Ramadhan, R. F. Waleska, S. Elmi, L. Efrizoni, and Rahmaddeni, “Klasifikasi Penjualan Walmart Menggunakan Algoritma C4.5,” no. 02, pp. 122–129, doi: https://doi.org/10.36050/pjbkse24.

H. M. Lumbantobing, J. Sisingamangaraja, J. Sisingamangaraja, and J. Sisingamangaraja, “Penerapan Metode Feature selection pada Algoritma Naïve Bayes dalam Kasus Keyword Extraction,” pp. 6–8, 2020.

R. Putus, K. Mahasiswa, I. Hadi, A. Ghozali, and A. R. Handoko, “Analisis Efektifitas Feature selection dalam Pengkayaan Machine learning untuk Deteksi Dini,” vol. 11, no. 1, pp. 149–157, 2025.

U. Sta, “Feature Evaluation by Filter , Wrapper , and Embedded Approaches,” pp. 29–44, doi: 10.1007/978-3-662-45620-0.

M. Abror, A. Hilmi, and A. Susanto, “Implementasi dan Evaluasi Model Machine learning untuk Optimalisasi Prediksi Penjualan Produk Kue Kering,” vol. 7, no. 3, pp. 1649–1661, 2025, doi: 10.47065/bits.v7i3.8657.

Unper, Evaluasi Model Machine learning. doi: https://https://lmsspada.kemdiktisaintek.go.id/.

T. Gori et al., “PRepocessing Data Dan Klasifikasi Untuk Prediksi Kinerja Akademik Siswa,” vol. 11, no. 1, pp. 215–224, 2024, doi: https://doi.org/10.57152/malcom.v6i2.2620.

M. A. K. Neighbors, S. Lestari, and S. Febrianti, “Sentiment Analysis of Shopee Product Reviews on the Instagram Application Using the K-Nearest Neighbors Algorithm Analisis Sentimen Ulasan Produk Shopee di Aplikasi Instagram,” vol. 5, no. October, pp. 1172–1180, 2025, doi: https://doi.org/10.57152/malcom.v5i4.1595.