[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-id-113":3,"doc-seo-127312-113":53,"doc-detail-127312-id":132},{"code":4,"msg":5,"data":6},0,"success",[7,13,17,21,25,29,33,37,41,45,49],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},55,"Document","Agama & Spiritualitas",60,"religion-spirituality",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":11,"slug":16},48,"Cerita & Novel","story-novel",{"id":18,"doc_module":4,"doc_module_name":9,"category_name":19,"show_sort_weight":11,"slug":20},56,"Gaya Hidup","lifestyle",{"id":22,"doc_module":4,"doc_module_name":9,"category_name":23,"show_sort_weight":11,"slug":24},51,"Komik","comic",{"id":26,"doc_module":4,"doc_module_name":9,"category_name":27,"show_sort_weight":11,"slug":28},53,"Layanan Kesehatan","healthcare",{"id":30,"doc_module":4,"doc_module_name":9,"category_name":31,"show_sort_weight":11,"slug":32},54,"Penelitian & Laporan","research-report",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":11,"slug":36},49,"Sastra","literature",{"id":38,"doc_module":4,"doc_module_name":9,"category_name":39,"show_sort_weight":11,"slug":40},52,"Teknologi","technology",{"id":42,"doc_module":4,"doc_module_name":9,"category_name":43,"show_sort_weight":11,"slug":44},50,"Ujian","exam",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":47,"show_sort_weight":11,"slug":48},57,"Umum","general",{"id":50,"doc_module":4,"doc_module_name":9,"category_name":51,"show_sort_weight":4,"slug":52},181,"Formulir","formulir",{"code":4,"msg":54,"data":55},"ok",{"site_id":56,"language":57,"slug":58,"title":59,"keywords":60,"description":61,"schema_data":62,"social_meta":125,"head_meta":127,"extra_data":129,"updated_unix":131},113,"id","machine-learning-travel-plan-to-medan-tourist-attractions-using-k-nearest-neighbor-method","Machine Learning Travel Plan ke Tempat Wisata Medan Menggunakan Metode K-Nearest Neighbor","","Industri pariwisata yang berkembang pesat menuntut rekomendasi perjalanan yang personal agar wisatawan lebih mudah menentukan destinasi sesuai preferensi dan batasan mereka. Penelitian ini merancang sistem rekomendasi travel plan dengan metode K-Nearest Neighbor (K-NN) untuk menyarankan tempat wisata di Medan berdasarkan data preferensi seperti minat jenis wisata, jarak, durasi, dan rating destinasi. Dataset memuat informasi destinasi wisata di Medan. Implementasi menunjukkan K-NN efektif menghasilkan rekomendasi yang relevan dan cukup akurat. Hasilnya diharapkan meningkatkan pengalaman wisatawan melalui rekomendasi yang lebih terpersonalisasi.",{"@graph":63,"@context":124},[64,81,103],{"@type":65,"itemListElement":66},"BreadcrumbList",[67,72,75,78],{"item":68,"name":69,"@type":70,"position":71},"https://docshare.wps.com","Home","ListItem",1,{"item":73,"name":9,"@type":70,"position":74},"https://docshare.wps.com/id/document/",2,{"item":76,"name":39,"@type":70,"position":77},"https://docshare.wps.com/id/document/teknologi/",3,{"item":79,"name":59,"@type":70,"position":80},"https://docshare.wps.com/id/document/machine-learning-travel-plan-to-medan-tourist-attractions-using-k-nearest-neighbor-method/127312/",4,{"url":79,"name":59,"@type":82,"image":83,"author":88,"headline":59,"publisher":91,"fileFormat":94,"inLanguage":57,"description":61,"dateModified":95,"datePublished":96,"encodingFormat":94,"isAccessibleForFree":97,"interactionStatistic":98},"DigitalDocument",{"url":84,"@type":85,"width":86,"height":87},"https://docshare.wps.com/thumbnails/machine-learning-travel-plan-to-medan-tourist-attractions-using-k-nearest-neighbor-method/127312.png","ImageObject",300,407,{"name":89,"@type":90},"Seraphina","Person",{"url":68,"name":92,"@type":93},"DocShare","Organization","application/pdf","2026-09-20","2026-08-05",true,{"@type":99,"interactionType":100,"userInteractionCount":102},"InteractionCounter",{"@type":101},"ViewAction",7,{"@type":104,"mainEntity":105},"FAQPage",[106,112,116,120],{"name":107,"@type":108,"acceptedAnswer":109},"Apa masalah yang ditangani dalam penelitian travel plan ini?","Question",{"text":110,"@type":111},"Wisatawan kesulitan merencanakan perjalanan yang sesuai preferensi dan keterbatasan seperti waktu dan budget. Penelitian mengatasi dengan rekomendasi destinasi yang lebih personal berbasis machine learning.","Answer",{"name":113,"@type":108,"acceptedAnswer":114},"Bagaimana cara kerja metode K-Nearest Neighbor (K-NN) pada sistem rekomendasi?",{"text":115,"@type":111},"K-NN mencari destinasi yang paling mirip berdasarkan parameter tertentu seperti jarak, durasi, dan ulasan/rating. Destinasi paling dekat direkomendasikan agar lebih relevan dengan preferensi pengguna.",{"name":117,"@type":108,"acceptedAnswer":118},"Data apa saja yang digunakan untuk menyusun dataset rekomendasi?",{"text":119,"@type":111},"Dataset berasal dari survei melalui Google Form yang memuat preferensi wisatawan, termasuk minat jenis wisata, domisili asal, pilihan tujuan, kendaraan yang digunakan, serta alasan pemilihan. Data destinasi wisata di Medan juga digunakan sebagai basis rekomendasi.",{"name":121,"@type":108,"acceptedAnswer":122},"Apa yang diharapkan dari hasil implementasi sistem K-NN?",{"text":123,"@type":111},"K-NN diharapkan mampu memberikan rekomendasi destinasi yang relevan dan sesuai kebutuhan wisatawan dengan tingkat akurasi yang cukup tinggi. Penelitian juga ditujukan untuk meningkatkan pengalaman wisatawan di Medan melalui rekomendasi yang lebih terpersonalisasi.","https://schema.org",{"og:url":79,"og:type":126,"og:title":59,"og:site_name":92,"og:description":61},"article",{"robots":128,"canonical":79},"index,follow",{"doc_id":130,"site_id":56},127312,1785938238,{"code":4,"msg":5,"data":133},{"doc_id":130,"user_id":134,"nickname":89,"user_avatar":135,"doc_module":4,"category_id":38,"category_name":39,"doc_title":59,"doc_description":61,"doc_content":136,"file_id":137,"file_url":138,"file_type":139,"file_size":140,"view_count":102,"is_deleted":4,"is_public":71,"is_downloadable":71,"audit_status":71,"page_count":141,"language":142,"language_code":57,"site_id":56,"html_lang":57,"table_of_contents":143,"faqs":144,"seo_title":145,"seo_description":61,"update_tm":131,"read_time":146},2336475104957,"https://ap-avatar.wpscdn.com/avatar/22000c4c6bd8a5076e1?x-image-process=image/resize,m_fixed,w_180,h_180&k=1787554080175789136","Machine Learning Travel Plan ke Tempat Wisata Medan Menggunakan  \nMetode K-Nearest Neighbor  \nMuhammad Reza Pahlevi 1, Saddam Tri Widodo2  \n1,2 Teknologi Rekayasa Perangkat Lunak, USU Medan  \n[e-mail:](e-mail: muhammadrezapahlevi@gmail.com1)[ ](e-mail: muhammadrezapahlevi@gmail.com1)[muhammadrezapahlevi@gmail.com](e-mail: muhammadrezapahlevi@gmail.com1)[1](e-mail: muhammadrezapahlevi@gmail.com1) , [saddamtriwidodo@gmail.com](saddamtriwidodo@gmail.com2)[2](saddamtriwidodo@gmail.com2)  \nAbstrak  \nIndustri pariwisata telah berkembang pesat, dan kebutuhan akan rekomendasi perjalanan yang personal menjadi semakin penting. Wisatawan sering kali menghadapi tantangan dalam memilih destinasi yang sesuai dengan preferensi mereka di antara banyaknya pilihan yang tersedia. Teknologi machine learning dapat memainkan peran penting dalam mengatasi masalah ini, salah satunya dengan menggunakan algoritma K-Nearest Neighbor (K-NN) . Dalam penelitian ini, kami mengembangkan sebuah sistem rekomendasi travel plan yang memanfaatkan metode K-NN untuk memberikan saran tempat wisata di Medan berdasarkan data preferensi wisatawan seperti minatterhadap jenis wisata, jarak, durasi, dan rating tempat wisata. Dataset yang digunakan dalampenelitian ini terdiri dari berbagai informasi destinasi wisata di Medan. Hasil dari implementasisistem ini menunjukkan bahwa metode K-NN efektif dalam memberikan rekomendasi yang relevan dan sesuai dengan kebutuhan wisatawan, dengan tingkat akurasi yang cukup tinggi. Penelitian inidiharapkan dapat membantu meningkatkan pengalaman wisatawan di Medan melalui rekomendasi yang lebih terpersonalisasi.  \nKata kunci: Machine Learning, K-Nearest Neighbor, Travel Plan, Tempat Wisata, Medan, Rekomendasi Wisata.  \nAbstract  \nThe tourism industry has grown rapidly, and the need for personalized travel recommendations is becoming increasingly important. Travelers often face challenges in selecting destinations that suit their preferences among the many available options. Machine learning technology can play a crucial role in addressing this issue, one example being the use of the K-Nearest Neighbor (K-NN) algorithm. In this study, we developed a travel plan recommendation system that utilizes the K-NN method to provide tourist destination suggestions in Medan based on tourist preference data such as interest in tourism types, distance, duration, and tourist attraction ratings. The dataset used in this study consists of various tourist destination information in Medan. The results of this system implementation indicate that the K-NN method is effective in providing relevant and tailored recommendations to tourists' needs, with a fairly high level of accuracy. This research is expected to help improve the tourist experience in Medan through more personalized recommendations.  \nKeywords: Machine Learning, K-Nearest Neighbor, Travel Plan, Tourist Attractions, Medan, Tourist Recommendations.  \nPENDAHULUAN  \nPariwisata merupakan sektor yang memainkan peran penting dalam meningkatkanekonomi lokal dan nasional, termasuk di kota Medan, Sumatera Utara. Setiap tahunnya, Medan menarik ribuan wisatawan domestik dan mancanegara berkat keanekaragaman budaya, sejarah, dan keindahan alam yang ditawarkan. Namun, dengan banyaknya pilihan destinasi wisata yang tersedia, wisatawan sering kali kesulitan dalam merencanakan perjalanan yang sesuai dengan preferensi dan keterbatasan mereka, seperti waktu, budget, serta minat wisata.  \nSeiring dengan perkembangan teknologi informasi, penggunaan machine learning untuk mempermudah perencanaan perjalanan telah menjadi topik penelitian yang menarik. Salah satu algoritma yang relevan untuk digunakan dalam rekomendasi wisata adalah K-Nearest Neighbor  \n(K-NN) . Algoritma ini bekerja dengan mencari destinasi yang paling mirip berdasarkan parameter tertentu, seperti jarak, durasi, atau ulasan pengunjung sebelumnya. Melalui pendekatan ini, sistem rekomendasi dapat memberikan saran yang personal dan relevan bagi wisatawan","cbCaiplabYA0Udb7","https://ap.wps.com/l/cbCaiplabYA0Udb7","pdf",427790,8,"Indonesian","# PENDAHULUAN\n## Pariwisata dan kebutuhan rekomendasi personal\n## Peran machine learning dan algoritma K-Nearest Neighbor\n## Fokus penelitian dan tujuan evaluasi\n# METODE\n## Pengumpulan Data\n## Populasi dan Sampel","[{\"question\":\"Apa masalah yang ditangani dalam penelitian travel plan ini?\",\"answer\":\"Wisatawan kesulitan merencanakan perjalanan yang sesuai preferensi dan keterbatasan seperti waktu dan budget. Penelitian mengatasi dengan rekomendasi destinasi yang lebih personal berbasis machine learning.\"},{\"question\":\"Bagaimana cara kerja metode K-Nearest Neighbor (K-NN) pada sistem rekomendasi?\",\"answer\":\"K-NN mencari destinasi yang paling mirip berdasarkan parameter tertentu seperti jarak, durasi, dan ulasan/rating. Destinasi paling dekat direkomendasikan agar lebih relevan dengan preferensi pengguna.\"},{\"question\":\"Data apa saja yang digunakan untuk menyusun dataset rekomendasi?\",\"answer\":\"Dataset berasal dari survei melalui Google Form yang memuat preferensi wisatawan, termasuk minat jenis wisata, domisili asal, pilihan tujuan, kendaraan yang digunakan, serta alasan pemilihan. Data destinasi wisata di Medan juga digunakan sebagai basis rekomendasi.\"},{\"question\":\"Apa yang diharapkan dari hasil implementasi sistem K-NN?\",\"answer\":\"K-NN diharapkan mampu memberikan rekomendasi destinasi yang relevan dan sesuai kebutuhan wisatawan dengan tingkat akurasi yang cukup tinggi. Penelitian juga ditujukan untuk meningkatkan pengalaman wisatawan di Medan melalui rekomendasi yang lebih terpersonalisasi.\"}]","Machine Learning Travel Plan ke Tempat Wisata Medan Menggunakan Metode K-Nearest Neighbor | PDF",12]