Website Pencarian Lokasi Tempat Makan Terdekat Menggunakan Algoritma Dijkstra dan K-Means Clustering
DOI:
https://doi.org/10.47111/jointecoms.v6i2.26336Keywords:
Dijkstra, K-means Clustering, Silhouette Coefficient, Website Berbasis Lokasi, Pencarian Tempat MakanAbstract
Pengguna yang berada di wilayah baru atau kawasan padat tempat makan sering kesulitan menemukan pilihan yang efisien karena tidak adanya pengelompokan spasial yang jelas dan rute yang optimal. Penelitian ini membangun sebuah website pencarian lokasi tempat makan terdekat yang mengintegrasikan algoritma K-Means Clustering dan Dijkstra. K-Means digunakan untuk mengelompokkan 114 data restoran di Kota Palangka Raya berdasarkan kedekatan geografis dan rating, sedangkan Dijkstra menghitung rute terpendek berbasis graf jaringan jalan dari posisi pengguna menuju restoran. Evaluasi kualitas cluster menggunakan Silhouette Coefficient dan Metode Elbow menentukan K=8 sebagai jumlah cluster optimal dengan nilai Silhouette 0,812. Akurasi rute diukur melalui Mean Absolute Percentage Error (MAPE) dengan membandingkan jarak Dijkstra terhadap Google Maps pada 20 titik uji. Hasil menunjukkan MAPE sebesar 9,61% dengan korelasi Pearson 0,95, mengindikasikan akurasi yang baik. Pengujian blackbox terhadap seluruh fitur sistem menunjukkan hasil 100% berhasil. Sistem ini membuktikan bahwa integrasi clustering spasial dan perutean terpendek mampu menghadirkan rekomendasi tempat makan yang relevan, efisien, dan berbasis lokasi nyata.
Downloads
References
[1] Kurniawan, R. A., Hasibuan, M. S., Piramida, & Ramadhan, R. S. (2022). Penerapan algoritma K-Means untuk clustering tempat makan di Batubara. COSIE, 1(1), 10–18.
[2] Kristanto, A., Oktavianto, W., & Nugroho, R. (2024). Model rekomendasi kunjungan menggunakan analisis recursive K-Means clustering. Jurnal Aksara Informatika, 10(1), 1–10.
[3] Chakradhari, P., Sahdev, S., & Dwivedi, A. (2024). Study the optimization of Dijkstra's algorithm. Journal of Ravishankar University, Part-B, 37(2), 18.
[4] Jain, A. K. (2010). Data clustering: 50 years beyond K-means. Pattern Recognition Letters, 31(8), 651–666.
[5] Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53–65.
[6] Kim, S., & Kim, H. (2021). Evaluation of forecasting accuracy measures for transportation demand prediction. Sustainability, 13(12), 6712.
[7] Wang, Y., Liu, Q., & Zhang, L. (2023). Real-time route optimization in autonomous vehicles using Dijkstra's algorithm. International Journal of Smart Transportation, 15(1), 45–59.
[8] Li, S., Zhang, J., & Sun, X. (2021). Pathfinding optimization for public transportation systems using Dijkstra's algorithm. Journal of Transportation Systems Engineering and Information Technology, 21(4), 300–311.
[9] Batz, G. V., Geisberger, R., Sanders, P., & Vetter, C. (2020). Minimum time-dependent travel times with contraction hierarchies. ACM Journal of Experimental Algorithmics, 25, 1–24.
[10] Delling, D., Goldberg, A. V., Pajor, T., & Werneck, R. F. (2021). Customizable route planning in road networks. Transportation Science, 55(1), 1–20.
[11] Cormen, T. H., Leiserson, C. E., Rivest, R. L., & Stein, C. (2009). Introduction to algorithms (3rd ed.). MIT Press.
[12] Garcia, S., Luengo, J., & Herrera, F. (2015). Data preprocessing in data mining. Springer.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Journal of Information Technology and Computer Science
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
