Pengelolaan jalan kabupaten memerlukan penentuan prioritas penanganan yang tidak hanya mempertimbangkan kondisi fisik ruas, tetapi juga pelayanan masyarakat, aksesibilitas, konektivitas, konteks spasial, demografis, serta keterbatasan sumber daya perencanaan. Penelitian ini bertujuan menganalisis faktor prioritas penanganan ruas jalan dan mengembangkan sistem pendukung keputusan berbasis machine learning dengan memanfaatkan data Provincial/Kabupaten Road Management System (PKRMS) Kabupaten Hulu Sungai Selatan.

Penelitian menggunakan kerangka berlapis yang menggabungkan pendekatan normatif dan historis. Pendekatan normatif dibentuk melalui Analytic Hierarchy Process (AHP) dan Weighted Sum Model (WSM) menggunakan 17 variabel operasional yang ditetapkan setelah pemeriksaan redundansi indikator. Nilai normalisasi individual sebelum pembobotan digunakan sebagai fitur machine learning normatif, sedangkan kelompok Top-30% ranking AHP–WSM digunakan sebagai label prioritas. Pendekatan historis menggunakan variabel prediktor temporal untuk membaca pola penanganan sebelumnya dan menilai kecenderungan ruas yang masuk dalam rencana penanganan umum tahun 2026. Model yang digunakan meliputi Decision Tree, Random Forest, XGBoost, Support Vector Machine, dan Artificial Neural Network. Evaluasi dilakukan melalui metrik klasifikasi, evaluasi Top-K, interpretasi model menggunakan permutation importance secara out-of-fold, dan validasi kewajaran melalui blind review.

Hasil penelitian menunjukkan bahwa pada pemodelan normatif, SVM memperoleh kinerja terbaik dengan ROC-AUC sebesar 0,979708 dan PR-AUC sebesar 0,961001. SVM menangkap 35 dari 35 ruas pada Top-35, 70 dari 70 ruas pada Top-70, dan 92 dari 105 ruas prioritas AHP–WSM pada Top-105. Interpretasi fold-wise permutation importance menunjukkan bahwa variabel yang paling memengaruhi kinerja SVM adalah persentase kondisi sedang, jarak ke ibu kota kabupaten, persentase kondisi rusak ringan, keterhubungan jalan nasional, dan jumlah penduduk yang dilayani. Pada pendekatan historis, konfigurasi terbaik berbeda menurut keluasan daftar pendek: Top-35 dicapai oleh Decision Tree dengan recall 28,57%, Top-70 oleh Random Forest dengan recall 50,00%, dan Top-105 oleh Random Forest dengan recall 64,29%. Blind review menunjukkan tingkat penerimaan sebesar 85,71% pada daftar pendek normatif dan 82,86% pada daftar pendek historis. Penelitian ini menghasilkan prototipe ML Priority Lab sebagai alat bantu rekomendatif, bukan penentu final kebijakan.