Klasterisasi Prioritas Kerusakan Pipa PDAM Blora Cabang Cepu dengan Metode K-Means

Anang Triyulianto Nugraha Putra; Adhika Pramita Widyassari

doi:10.47134/jacis.v6i2.183

Authors

Anang Triyulianto Nugraha Putra Sekolah Tinggi Teknologi Ronggolawe
Adhika Pramita Widyassari Sekolah Tinggi Teknologi Ronggolawe

DOI:

https://doi.org/10.47134/jacis.v6i2.183

Keywords:

K-Means, Clustering, Kerusakan Pipa, PDAM, Prioritas Penanganan

Abstract

Kebocoran pipa distribusi air bersih merupakan permasalahan teknis yang sering terjadi dan berdampak langsung pada efisiensi pelayanan PDAM. Penelitian ini bertujuan untuk mengelompokkan prioritas kerusakan pipa PDAM Blora Cabang Cepu berdasarkan wilayah, ukuran pipa, dan durasi penanganan menggunakan algoritma K-Means. Data yang digunakan sebanyak 228 laporan pengaduan periode 2024-2025. Metode yang diterapkan mengikuti pendekatan Knowledge Discovery in Database (KDD) yang meliputi pengumpulan data, preprocessing, transformasi data, normalisasi Min-Max, penentuan centroid awal, perhitungan jarak Euclidean, serta iterasi hingga konvergensi. Hasil penelitian menghasilkan tiga klaster dengan karakteristik berbeda. Cluster 0 (81 kasus) dan Cluster 2 (124 kasus) dikategorikan sebagai kerusakan ringan dengan ukuran pipa rata-rata 2 inci dan durasi penanganan kurang dari 2 hari (prioritas rendah). Cluster 1 (23 kasus) merupakan kerusakan berat dengan ukuran pipa rata-rata 5,17 inci dan durasi penanganan mencapai 8,57 hari (prioritas tinggi). Ukuran pipa terbukti sebagai indikator yang lebih kuat dalam memprediksi durasi perbaikan dibandingkan wilayah. Kesimpulannya, metode K-Means efektif digunakan untuk menentukan prioritas penanganan kerusakan pipa secara objektif dan dapat dijadikan dasar pengambilan keputusan operasional PDAM Cabang Cepu.

References

[1] J. Lo Presti, C. Giudicianni, C. Toffanin, E. Creaco, L. Magni, and G. Galuppini, “Combining clustering and regularised neural network for burst detection and localization and flow/pressure sensor placement in water distribution networks,” J. Water Process Eng., vol. 63, no. April, p. 105473, 2024, doi: 10.1016/j.jwpe.2024.105473.

[2] W. Huang, X. Huang, Z. Chen, J. Zhan, H. Yang, and X. Li, “Parameter Analysis and Optimization of a Leakage Localization Method Based on Spatial Clustering,” Water (Switzerland), vol. 17, no. 1, 2025, doi: 10.3390/w17010106.

[3] G. M. Komba, T. E. Mathonsi, and P. A. Owolawi, “Water Pipeline Leak Detection and Localisation in Water Distribution Networks,” 2023 Int. Conf. Emerg. Trends Networks Comput. Commun. ETNCC 2023 - Proc., pp. 140–145, 2023, doi: 10.1109/ETNCC59188.2023.10284934.

[4] Lucas Roberto Tomazini, Rodrigo Pita Rolle, Eduardo Paciência Godoy, Esther Luna Colombini, and Alexandre da Silva Simões, “GraphLeak: A Realistic Dataset for Analyzing Leaks in Water Distribution Systems,” Proc. do Congr. Bras. Automática, 2024, doi: 10.20906/cba2024/4655.

[5] X. Li, S. Chu, T. Zhang, T. Yu, and Y. Shao, “Leakage localization using pressure sensors and spatial clustering in water distribution systems,” Water Supply, vol. 22, no. 1, pp. 1020–1034, 2022, doi: 10.2166/ws.2021.219.

[6] A. Fatkhudin, A. Khambali, F. A. Artanto, M. Mundriyah, and N. A. P. Zade, “Implementasi Algoritma Clustering K-Means Dalam Pengelompokan Mahasiswa,” J. Minfo Polgan, vol. 12, no. 1, pp. 777–783, 2023, doi: 10.33395/jmp.v12i1.12494.

[7] J. Faran and A. Triayudi, “Penerapan Algoritma K-Means Data Mining untuk Clustering KinerjaKaryawan Koperasi,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 4, no. 4, pp. 2096–2108, 2024, doi: 10.30865/klik.v4i4.1728.

[8] A. Mulyana, Y. Hermawan, and N. J. Saputri, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Untuk Rekomendasi Pilihan Program Studi Pada Mahasiswa Baru (Studi Kasus di Institut Bisnis dan Informatika Kesatuan),” KERNEL J. Ris. Inov. Bid. Inform. dan Pendidik. Inform., vol. 5, no. 1, pp. 60–72, 2024, doi: 10.31284/j.kernel.2024.v5i1.7624.

[9] U. Janssens, “Functional hemodynamic monitoring,” 2024. doi: 10.1007/s00063-024-01190-4.

[10] B. Laksono, Y. Syahidin, and Y. Yunengsih, “Implementasi Data Mining Klasterisasi Data Pasien Rawat Inap dengan Algoritma K-Means Clustering,” J. Teknol. Sist. Inf. dan Apl., vol. 7, no. 2, pp. 621–627, 2024, doi: 10.32493/jtsi.v7i2.39354.

[11] Irfan and L. Faizal, “Implementasi Algoritma K-Means untuk Mengelompokkan Data Tingkat Kemiskinan di Sulawesi Selatan Berdasarkan Kota/Kabupaten,” J. Ilm. Sist. Inf. dan Tek. Inform., vol. 7, no. 2, pp. 261–269, 2024, doi: 10.57093/jisti.v7i2.220.

[12] E. Kurnia, A. P. Juledi, I. R. Munthe, and M. Nasution, “Penerapan Data Mining Menggunakan Algoritma,” vol. 9, no. 2, pp. 3551–3559, 2025, [Online]. Available: www.penerbitlitnus.co.id

[13] I. A. Naya, “Penerapan Algoritma K-Means Clustering Untuk Segmentasi Penyakit Daun Mangga,” JPNM J. Pustaka Nusant. Multidisiplin, vol. 3, no. 2, 2025, doi: 10.59945/jpnm.v3i2.478.

[14] 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, doi: 10.58602/jima-ilkom.v3i1.26.

[15] I. H. Zahro, U. A. Rosyidah, and L. Handayani, “Implementasi Algoritma Fuzzy C-Means untuk Pengelompokkan Provinsi di Indonesia Berdasarkan Kualitas Perguruan Tinggi,” BIOS J. Teknol. Inf. dan Rekayasa Komput., vol. 5, no. 1, pp. 80–86, 2024, doi: 10.37148/bios.v5i1.102.

[16] L. Pamungkas, N. A. Dewi, and N. A. Putri, “Classification of Student Grade Data Using the K-Means Clustering Method,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 13, no. 1, pp. 86–91, 2024, doi: 10.32736/sisfokom.v13i1.1983.

[17] R. Liu et al., “Leak detection in water distribution networks using micro-electromechanical systems-based accelerometers: a machine learning approach,” Water Pract. Technol., vol. 20, no. 9, pp. 1900–1920, 2025, doi: 10.2166/wpt.2025.109.

[18] F. Supriadi, “Penerapan Metode Dbscan Dalam Penentuan Mahasiswa Yang Layak Memperoleh Bidikmisi,” Manag. Inf. Syst. J., vol. 3, no. 2, pp. 46–60, 2025, doi: 10.47065/mis.v3i2.1943.

[19] Q. Adawiyah, “Penerapan Metode Pengelompokan K-Medoids untuk Mengelompokkan Area Berisiko Tinggi Penyalahgunaan Narkoba,” vol. 10, no. 1, pp. 234–240, 2026.

[20] and M. B. S. 2022. “G-T. : J. T. T. . G.-T. : J. T. T. 6(2): 295–305. anu. TaqwTaqwanur and Mega Bilqis Suryawantiningtyas, “G-Tech : Jurnal Teknologi Terapan,” G-Tech J. Teknol. Terap., vol. 6, no. 2, pp. 295–305, 2022.

[21] K. Gustipartsani et al., “DATA MINING CLUSTERING MENGGUNAKAN ALGORITMA K-MEANS PADA,” vol. 7, no. 6, pp. 3595–3601, 2023.