Seiring dengan banyaknya implementasi dari knowledge graph dengan penggunaan data yang besar dari berbagai sumber dan jenis data, maka integrasi data tersebut menjadi tantangan utama dalam pengembangannya. Beberapa penelitian yang telah melakukan mapping berbagai data ke dalam knowledge graph, belum melakukan integrasi data tersebut pada level konteks. Dengan demikian, pada penelitian ini dirancang algoritma yang secara otomatis mengintegrasikan berbagai jenis data menjadi knowledge graph. Proses integrasi dilakukan dengan tahap matching data menggunakan metode Wu Palmer Similarity yang memanfaatkan descriptive metadata pada setiap file data. Data yang berhasil di-matching kemudian di-mapping ke dalam format knowledge graph dengan metode Direct Mapping. Pada integrasi data relational database, file pdf, dan photo, proses matching diperoleh akurasi sebesar 58,23% untuk matching atribut dan property. Hasil akurasi menunjukkan jumlah property dan atribut yang memiliki keterkaitan dengan ontology. Nilai akurasi yang rendah tersebut dikarenakan belum dapat memilih synset WordNet secara tepat sesuai dengan term yang di-matching. Selain itu, juga dikarenakan tidak adanya padanan kata yang tepat dalam ontology DBpedia yang digunakan. Akurasi sebesar 97,74% untuk matching data RDB terhadap instances DBpedia. Akurasi sebesar 16,79% untuk matching descriptive metadata terhadap data RDB. Artinya, sebesar 16,79?ta RDB memiliki keterkaitan dengan data descriptive metadata. Hasil tersebut dikarenakan keterbatasan informasi pada descriptive metadata yang diambil. Namun demikian, algoritma yang dibuat dapat menghasilkan knowledge graph yang valid dari integrasi berbagai jenis data.