Analisis Pola Kepadatan Penumpang Menggunakan K-Means Clustering Pada Pelabuhan Penyeberangan Torobulu–Tampo

Muhamad Faza Almaliki; Muhammad Chaerur Rijal; Isnawaty Isnawaty; Maudhy Satyadharma

doi:10.31004/riggs.v5i2.8947

Authors

Muhamad Faza Almaliki Universitas Hasanuddin
Muhammad Chaerur Rijal Politeknik Negeri Ujung Pandang
Isnawaty Universitas Halu Oleo
Maudhy Satyadharma Dinas Perhubungan Provinsi Sulawesi Tenggara

DOI:

https://doi.org/10.31004/riggs.v5i2.8947

Keywords:

K-Means Clustering, Pola Penumpang, Transportasi Penyeberangan, Optimalisasi Jadwal Kapal

Abstract

Penelitian ini bertujuan untuk menganalisis pola kepadatan penumpang pada lintasan penyeberangan Torobulu–Tampo menggunakan metode K-Means Clustering sebagai pendekatan analisis operasional transportasi berbasis data. Data yang digunakan dalam penelitian ini berupa data harian jumlah penumpang Pelabuhan Torobulu selama periode Januari 2023 hingga Oktober 2025. Penelitian dilakukan melalui beberapa tahapan, yaitu preprocessing data untuk membersihkan data yang tidak konsisten, proses normalisasi untuk menyamakan skala data, penentuan jumlah cluster optimal menggunakan metode evaluasi clustering, serta proses pengelompokan data menggunakan algoritma K-Means. Hasil penelitian menunjukkan bahwa pola jumlah penumpang dapat dikelompokkan menjadi tiga kategori utama, yaitu kondisi sepi (low), normal (medium), dan padat (peak season). Cluster padat didominasi oleh periode hari besar nasional, musim mudik Idulfitri, dan libur panjang yang menyebabkan peningkatan mobilitas masyarakat secara signifikan. Sementara itu, cluster normal dan sepi lebih banyak terjadi pada periode operasional reguler di luar musim liburan. Hasil clustering juga menunjukkan adanya pola musiman yang memengaruhi tingkat kepadatan penumpang pada lintasan penyeberangan Torobulu–Tampo. Informasi tersebut dapat dimanfaatkan sebagai dasar dalam optimalisasi jadwal operasional kapal, pengaturan kapasitas penumpang, serta peningkatan kualitas pelayanan transportasi penyeberangan. Selain itu, hasil penelitian ini dapat membantu pihak pengelola pelabuhan dalam melakukan perencanaan operasional yang lebih efektif dan adaptif terhadap perubahan pola mobilitas penumpang. Penelitian ini diharapkan menjadi dasar pengembangan sistem analisis transportasi penyeberangan berbasis data yang lebih cerdas, efisien, terintegrasi, dan berkelanjutan di masa mendatang.

Downloads

Download data is not yet available.

Author Biographies

Muhammad Chaerur Rijal, Politeknik Negeri Ujung Pandang

Jurusan Teknik Elektro

Isnawaty, Universitas Halu Oleo

Jurusan Informatika, Fakultas Teknik

References

C. Hutanjalay and A. Hadianti, “Peran Transportasi Laut Dalam Mendukung Mobilitas Masyarakat di Kabupaten Kepulauan Aru,” Urban Reg. Stud. J., vol. 7, no. 2, pp. 244–250, 2025.

M. F. Almaliki and M. Satyadharma, “Urgensi Ketersediaan dan Integrasi Data Dalam Mendukung Pengambilan Keputusan Operasional Pelabuhan Berbasis Teknologi Informasi,” Rangas J. Tek. dan Ilmu Terap., vol. 1, no. 1, pp. 78–86, 2026.

R. Riskayanti, Y. Setiawan, K. Khomsiah, A. D. Yogmar, and D. Tribuana, “Implementasi Web-Based Transportation Management System di Industri Transportasi: Sebuah Tinjauan Sistematis Literatur,” J. Teknol. dan Bisnis Cerdas, vol. 1, no. 3, pp. 194–209, 2025.

A. O. Sinaga and R. Passarella, “Analisis Hubungan Antara Jumlah Bus dan Jumlah Penumpang Menggunakan Unsupervised Learning: Analysis of Passenger and Bus Numbers Using Unsupervised Learning,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 5, no. 3, pp. 1029–1036, 2025.

A. Maimunah, D. E. M. Sari, F. Julianto, and A. B. Susetyo, “Peramalan Produksi Barang Angkutan Kereta Api Nasional Periode 2019-2026 Menggunakan Model ARIMA,” J. Media Akad., vol. 3, no. 12, pp. 1–17, 2025.

M. Davi and E. Winarko, “Rancang Bangun Aplikasi Peramalan Jumlah Penumpang Menggunakan Long Short-Term Memory (LSTM),” Infotekmesin, vol. 14, no. 2, pp. 303–310, 2023.

A. Khairunnisa and S. Alfarizi, “Strategi Kebijakan Transportasi Umum di Jawa Barat Berdasarkan Hasil Clustering,” JURIST J. Ilmu Huk. dan Ilmu Polit., vol. 3, no. 1, pp. 25–34, 2026.

A. F. Muhibuddin, D. S. A. Nur, A. T. Fada, U. H. Rizqiyah, and F. Firnawati, “Prediksi Kebutuhan Kapasitas Dermaga Berdasarkan Tren Perubahan Pola Penyeberangan,” Urban Reg. Stud. J., vol. 7, no. 2, pp. 81–85, 2025.

B. J. A. Huwaisalt, D. A. Rakhman, and D. Febriani, “Prediksi Jumlah Penumpang Pesawat Domestik di Bandara Soekarno-Hatta dengan Metode SARIMA untuk Mendukung Pengelolaan Kebijakan Transportasi Publik,” Digit. POLICY INSIGHTS Adv. Data Min. Digit. Gov., vol. 1, pp. 132–144, 2025.

M. F. Almaliki, M. Satyadharma, M. Rajulan, H. Hado, G. A. Sulistyo, and S. Mursalim, “Analisis Time Series Volume Penumpang Untuk Mendukung Pengambilan Keputusan Manajerial Pada Sektor Transportasi Udara Dalam Negeri,” J. Manaj. dan Penelit. Akunt., vol. 19, no. 1, pp. 134–143, 2026.

D. A. Setyawan, A. Purwatiningsih, and F. S. Budi, “Analisis Pola Lalu Lintas Kapal Selat Bali Berbasis AIS, K-Means, Traffic Flow,” J. FASILKOM, vol. 15, no. 3, pp. 621–629, 2025.

N. Hendrastuty, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Dalam Evaluasi Hasil Pembelajaran Siswa,” J. Ilm. Inform. dan Ilmu Komput., vol. 3, no. 1, pp. 46–56, 2024.

C. Aurelya and Y. Widjaja, “Analisis Pengelompokan Wilayah Berdasarkan Frekuensi Kejadian Banjir Menggunakan K-Means Clustering,” Bull. Comput. Sci. Res., vol. 6, no. 1, pp. 259–267, 2025.

D. Anggraini and M. S. Hasibuan, “Initial Centroid Pada Algoritma K-Means dan K-Medoids,” J. Multimed. Dan Teknol. Inf., vol. 7, no. 03, pp. 487–500, 2025.

N. A. Maori and E. Evanita, “Metode elbow dalam optimasi jumlah cluster pada k-means clustering,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 14, no. 2, pp. 277–288, 2023.

C. T. N. Handayani and M. N. Sitokdana, “Comparison Of K-Means++ and Agglomerative Hierarchical Methods in Clustering Healthcare Workers,” INOVTEK Polbeng-Seri Inform., vol. 10, no. 2, pp. 717–728, 2025.

M. D. Ananda, M. Mardiah, A. F. N. Masruriyah, and K. N. Malik, “Studi Komparatif Algoritma K-Means dan K-Medoids untuk Segmentasi Informasi Kesehatan,” Comput. Sci., vol. 5, no. 2, pp. 103–112, 2025.