Klasifikasi deret waktu merupakan pendekatan analisis yang memanfaatkan pola temporal pada data berurutan, salah satunya untuk mengidentifikasi kondisi permukaan jalan berdasarkan sinyal akselerasi kendaraan. Permasalahan dalam penelitian ini meliputi bagaimana penerapan algoritma K-Nearest Neighbors (KNN) dengan fungsi jarak Dynamic Time Warping (DTW) pada data Asphalt Obstacle untuk mengklasifikasikan jenis rintangan jalan, serta bagaimana evaluasi performa model KNN dengan DTW dalam membedakan masing-masing kelas rintangan. Sehingga, penelitian ini bertujuan menerapkan algoritma KNN dengan fungsi jarak DTW yang dikombinasikan dengan skema feature engineering berupa rolling mean dengan beberapa ukuran jendela serta evaluasi berbasis Time Series Split Cross Validation (TSCV). Data yang digunakan berupa deret waktu univariat magnitudo akselerasi dengan empat kelas, yaitu Raised Crosswalk (RC), Raised Markers (RM), Speed Bump (SB), dan Vertical Patch (VP). Kinerja model dievaluasi menggunakan akurasi dan recall. Hasil penelitian menunjukkan bahwa skenario data Original menghasilkan akurasi sebesar 86,2% pada k=3, sedangkan penerapan Rolling Mean dengan jendela 15 meningkatkan akurasi menjadi 87,9% pada k=5. Sebaliknya, penggunaan jendela rolling mean yang lebih besar menurunkan performa akibat berkurangnya pola pada sinyal. Temuan ini menunjukkan bahwa algoritma KNN dengan jarak DTW efektif untuk klasifikasi rintangan permukaan jalan, khususnya ketika dikombinasikan dengan penghalusan sinyal menggunakan jendela rolling mean yang tidak terlalu besar.