Article Per Year (5 Year)
p-Index From 2021 - 2026
2.608
P-Index
This Author published in this journals
All Journal Medikora: Jurnal Ilmiah Kesehatan Olahraga Jurnal Kesehatan Masyarakat Jurnal Terapan Ilmu Keolahragaan JSKK (Jurnal Sains Keolahragaan dan Kesehatan) Jurnal Pendidikan Kesehatan Rekreasi Jurnal Speed (Sport, Physical Education, Empowerment) Jurnal Sains Riset Indonesian Journal of Sport Management Jurnal Abmas Jurnal Kesehatan dan Olahraga Jurnal Dunia Pendidikan JURNAL PENDIDIKAN OLAHRAGA
Imas Damayanti
Universitas Pendidikan Indonesia
Agriculture, Biological Sciences & Forestry Arts Humanities Computer Science & IT Economics, Econometrics & Finance Education Health Professions Languange, Linguistic, Communication & Media Medicine & Pharmacology Nursing Physics Public Health Social Sciences Other

Published : 26 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 26 Documents
Search

 1   2   3 
A Machine Learning Approach to Predicting Physical Activity Levels in Adolescents Desvy Rahma Putri Mahendra; Jajat Jajat; Imas Damayanti; Kuston Sultoni; Yati Ruhayati; Adang Suherman; Nur Indri Rahayu
Indonesian Journal of Sport Management Vol. 3 No. 2 (2023): Indonesian Journal of Sport Management
Publisher : Universitas Majalengka

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31949/ijsm.v3i2.7145

Abstract

The ongoing evolution of technology has had both positive and negative effects on modern society. On the positive side, it has significantly improved the ease with which various activities can be performed. However, it has also had a negative impact by reducing physical activity. This reduction in physical activity, in turn, increases the risk of chronic diseases that contribute to global mortality rates. This research aims to assess the effectiveness of machine learning in predicting the physical activity levels of adolescents. The study utilizes data from accelerometers, specifically the ActiGraph GT3X. The research methodology employs a semi-supervised machine learning approach, using the support vector machine and decision tree algorithms to make these predictions. The sample comprises 61 adolescents (males = 17, female = 44), including high school students and university students aged 18-21, from the West Java region. The results from the machine learning model using the decision tree algorithm indicated a model accuracy of 97.50% in predicting physical activity levels. In contrast, the accuracy obtained from the performance analysis using the confusion matrix for the support vector machine model was 92.5%. Based on these accuracy levels, the decision tree algorithm outperforms the support vector machine algorithm's accuracy. Further analyses involving different models are necessary to determine which algorithm offers the highest level of accuracy.
Classifying Physical Activity Levels in Early Childhood Using Actigraph and Machine Learning Method Syifa Wandani; Adang Suherman; Jajat; Kuston Sultoni; Yati Ruhayati; Imas Damayanti; Nur Indri Rahayu
Indonesian Journal of Sport Management Vol. 3 No. 2 (2023): Indonesian Journal of Sport Management
Publisher : Universitas Majalengka

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31949/ijsm.v3i2.7173

Abstract

Actigraph is a widely used accelerometer for classifying physical activity levels in children, adolescents, adults, and older people. The classification of physical activity levels on Actigraph is determined through time calculations using cut-point formulas. The study aims to classify physical activity in young children according to the guidelines of the World Health Organization (WHO) using accelerometer data and machine learning methods. The study involved 52 young children (26 girls and 26 boys) aged 4 to 5 years in West Java, with an average age of 4.58 years. Physical activity and sedentary behavior of these early childhood were simultaneously recorded using the Actigraph GT3X accelerometer for seven days. The data from the Actigraph were analyzed using two algorithm models: the decision tree and support vector machine, with the Rapidminer application. The results from the decision tree model show a classification accuracy of 96.00% in categorizing physical activities in young children. On the other hand, the support vector machine model achieved an accuracy of 84.67% in classifying physical activities in young children. The decision tree outperforms the support vector machine in accurately classifying physical activities in early childhood. This research highlights the potential benefits of machine learning in sports and physical activity sciences, indicating the need for further development.
Klasifikasi Aktivitas Fisik Berbasis Data Accelerometer ActivPAL dan ActiGraph: Metode Analisis dengan Machine Learning Agum Sholahuddin; Jajat Jajat; Imas Damayanti; Kuston Sultoni; Adang Suherman; Nur Indri Rahayu; Yati Nurhayati; Mohammad Zaky
Jurnal Dunia Pendidikan Vol 4 No 2 (2024): Jurnal Dunia Pendidikan
Publisher : LPPM Sekolah Tinggi Olahraga dan Kesehatan Bina Guna

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55081/jurdip.v4i2.1886

Abstract

Aktivitas fisik secara teratur dapat memberikan dampak positif terhadap kesehatan pada semua golongan usia. Saat ini sudah banyak penelitian terkait pengukuran aktivitas fisik yang diakukan dengan memanfaatkan kecerdasan buatan (Artificial Intelligence) salah satunya menggunakan machine learning dalam mengklasifikasi aktivitas fisik. Studi ini bertujuan menganalisis klasifikasi aktivitas fisik menggunakan machine learning dengan sumber data accelerometer ActivPAL dan ActiGraph GT3X. Partisipan dalam penelitian ini 105 siswa Sekolah Menengah Atas berusia antara 17-19 Tahun. Penelitian ini menggunakan algoritma Machine learning Decision tree. Hasil analisis data menunjukan akurasi sebesar 56,25% pada instumen ActivPAL dan 93,33% pada instrumen ActiGraph. Performa akurasi decision tree sangat baik dalam mengklasifikasi aktivitas fisik yang bersumber dari data accelerometer ActiGraph dibandingkan dengan accelerometer ActivPAL. Selain waktu aktivitas fisik dan sedentary, jenis kelamin merupakan predictor lain untuk mengklasifikasi aktif atau tidaknya seseorang.
Analisis Promosi Gaya Hidup Sehat dan Aktif pada Perguruan Tinggi Negeri di Jawa Barat Muhammad Dzulfikar Firdaus; Adang Suherman; Jajat; Surdiniaty Ugelta; Yati Ruhayati; Kuston Sultoni; Imas Damayanti; Mohammad zaky; Nur Indri Rahayu
JURNAL PENDIDIKAN OLAHRAGA Vol 14 No 2 (2024): JURNAL PENDIDIKAN OLAHRAGA
Publisher : STKIP Taman Siswa Bima

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37630/jpo.v14i2.1612

Abstract

Gaya hidup sehat memiliki pengaruh yang besar dalam kesehatan dan kebugaran yang menjadi faktor penting dalam menentukan kesehatan dan penyakit seseorang, bahkan gaya hidup sehat berdampak pada peningkatan kesejahteraan seseorang. Penelitian ini bertujuan untuk menganalisis dan mengevaluasi promosi gaya hidup sehat dan aktif pada mahasiswa perguruan tinggi negeri di Jawa Barat. Metode penelitian yang digunakan adalah cross sectional dengan menggunakan kuesioner Health Promoting Lifestyle Profile II. Partisipan terdiri dari 641 mahasiswa yang berusia antara 18 tahun sampai dengan 24 tahun (M =21,05 ± SD= 1,369) yang terdiri dari 326 laki-laki dan 315 perempuan dan partisipan dipilih melalui teknik purposive sampling. Analisis data pada penelitian ini menggunakan descriptive statistics untuk mengetahui jumlah partisipan berdasarkan karakteristik partisipan, sementara itu, independent samples t-test dilakukan untuk mengetahui perbedaan rata-rata skor gaya hidup sehat dan aktif berdasarkan jenis kelamin dan status tempat tinggal dan one way ANOVA untuk mengetahui perbedaan berdasarkan status tempat tinggal. Hasil penelitian menunjukkan adanya perbedaan signifikan antara mahasiswa berdasarkan jenis kelamin yang memiliki nilai (p < 0,05) dan jenis UKM yang diikuti dengan nilai (p < 0,05), sementara itu tidak terdapat perbedaan yang signifikan berdasarkan status tempat tinggal yang memiliki nilai (p > 0,05). Dengan demikian, promosi gaya hidup sehat dan aktif harus terus dilakukan untuk meningkatkan gaya hidup sehat dan aktif pada mahasiswa.
A Machine Learning Approach to Predicting Physical Activity Levels in Adolescents Mahendra, Desvy Rahma Putri; Jajat, Jajat; Damayanti, Imas; Sultoni, Kuston; Ruhayati, Yati; Suherman, Adang; Rahayu, Nur Indri
Indonesian Journal of Sport Management Vol. 3 No. 2 (2023): Indonesian Journal of Sport Management
Publisher : Universitas Majalengka

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31949/ijsm.v3i2.7145

Abstract

The ongoing evolution of technology has had both positive and negative effects on modern society. On the positive side, it has significantly improved the ease with which various activities can be performed. However, it has also had a negative impact by reducing physical activity. This reduction in physical activity, in turn, increases the risk of chronic diseases that contribute to global mortality rates. This research aims to assess the effectiveness of machine learning in predicting the physical activity levels of adolescents. The study utilizes data from accelerometers, specifically the ActiGraph GT3X. The research methodology employs a semi-supervised machine learning approach, using the support vector machine and decision tree algorithms to make these predictions. The sample comprises 61 adolescents (males = 17, female = 44), including high school students and university students aged 18-21, from the West Java region. The results from the machine learning model using the decision tree algorithm indicated a model accuracy of 97.50% in predicting physical activity levels. In contrast, the accuracy obtained from the performance analysis using the confusion matrix for the support vector machine model was 92.5%. Based on these accuracy levels, the decision tree algorithm outperforms the support vector machine algorithm's accuracy. Further analyses involving different models are necessary to determine which algorithm offers the highest level of accuracy.
Classifying Physical Activity Levels in Early Childhood Using Actigraph and Machine Learning Method Wandani, Syifa; Suherman, Adang; Jajat; Sultoni, Kuston; Ruhayati, Yati; Damayanti, Imas; Rahayu, Nur Indri
Indonesian Journal of Sport Management Vol. 3 No. 2 (2023): Indonesian Journal of Sport Management
Publisher : Universitas Majalengka

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31949/ijsm.v3i2.7173

Abstract

Actigraph is a widely used accelerometer for classifying physical activity levels in children, adolescents, adults, and older people. The classification of physical activity levels on Actigraph is determined through time calculations using cut-point formulas. The study aims to classify physical activity in young children according to the guidelines of the World Health Organization (WHO) using accelerometer data and machine learning methods. The study involved 52 young children (26 girls and 26 boys) aged 4 to 5 years in West Java, with an average age of 4.58 years. Physical activity and sedentary behavior of these early childhood were simultaneously recorded using the Actigraph GT3X accelerometer for seven days. The data from the Actigraph were analyzed using two algorithm models: the decision tree and support vector machine, with the Rapidminer application. The results from the decision tree model show a classification accuracy of 96.00% in categorizing physical activities in young children. On the other hand, the support vector machine model achieved an accuracy of 84.67% in classifying physical activities in young children. The decision tree outperforms the support vector machine in accurately classifying physical activities in early childhood. This research highlights the potential benefits of machine learning in sports and physical activity sciences, indicating the need for further development.
RELIABILITAS PITTSBURGH SLEEP QUALITY INDEX VERSI BAHASA INDONESIA PADA LANSIA AKTIF BEROLAHRAGA Sadewa, Fanuelciho; Ruhayati, Yati; Jajat, Jajat; Sultoni, Kuston; Suherman, Adang; Damayanti, Imas; Rahayu, Nur Indri
Jurnal Kesehatan dan Olahraga Vol 8, No 1 (2024)
Publisher : Universitas Negeri Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24114/ko.v8i1.56927

Abstract

Seiring bertambahnya usia, volume dan kualitas tidur biasanya akan semakin berkurang. Kualitas tidur salah satunya dikaitkan dengan aktivitas fisik dan olahraga. Namun demikian untuk mengukur kualitas tidur pada kelompok spesifik populasi yang aktif berolahraga masih terbatas, khususnya di Indonesia. Tujuan penelitian ini yaitu menguji reliabilitas dan validitas Pittsburgh Sleep Quality Index (PSQI) versi Indonesia. Pengujian validitas dan reliabilitas dilakukan tiga tahap, yaitu validitas bahasa, validitas & reliabilitas keterbacaan serta validitas & reliabilitas konstruk. Penelitian ini melibatkan 200 orang partisipan lansia berusia 60 – 77 tahun yang aktif di klub olahraga. Pengolahan dan analisis data dengan menggunakan correct item total correlation dan Cronbach’s alpha. Hasil penelitian menunjukkan bahwa PSQI versi Bahasa Indonesia pada populasi lansia yang aktif di klub olahraga memiliki reliabilitas yang rendah nilai Cronbach’s Alpha 0,4. Metode analisis seperti confirmatory factor analysis diperlukan untuk penelitian lebih lanjut.
Kepatuhan terhadap Pedoman Aktivitas Fisik WHO pada Anak Usia Dini : Evaluasi dengan Metode Machine learning Ramdhan, Akhmad Faizal; Suherman, Adang; Jajat; Sultoni, Kuston; Damayanti, Imas; Ruhayati, Yati
Jurnal Pendidikan Kesehatan Rekreasi Vol. 10 No. 1 (2024): Januari 2024
Publisher : Program Studi Pendidikan Jasmani Kesehatan dan Rekreasi FKIP Universitas PGRI Mahadewa Indonesia bekerjasama dengan Asosiasi Prodi Olahraga Perguruan Tinggi PGRI (APOPI)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59672/jpkr.v10i1.3490

Abstract

Studi ini berupaya untuk mengevaluasi dan mengukur tingkat aktivitas fisik anak usia dini sejalan dengan pedoman Organisasi Kesehatan Dunia (WHO), menggunakan teknik klasifikasi machine learning pada data yang diperoleh dari kuesioner. Menyadari pentingnya aktivitas fisik di tahun-tahun formatif, penelitian ini bertujuan untuk menilai kepatuhan terhadap ambang batas aktivitas yang direkomendasikan WHO pada anak usia dini. Metodologi ini mengintegrasikan kuesioner komprehensif yang mengungkap beragam aspek pola aktivitas fisik anak usia dini, yang mencakup durasi, intensitas, dan jenis aktivitas yang dilakukan dalam berbagai situasi. Sebanyak 99 orang tua siswa melaporkan aktivitas keseharian anak mereka yang berusia 4 sampai 5 tahun (M = 4,59±0,41). Dengan memanfaatkan model klasifikasi algoritma machine learning decision tree, penelitian ini memproses data yang dikumpulkan untuk membedakan pola dan mengklasifikasikan tingkat aktivitas berdasarkan kriteria WHO. Hasilnya menunjukkan, indikator waktu aktivitas, waktu tidur dan waktu bermain menjadi indikator penentu decision tree dalam mengklasifikasi kepatuhan anak usia dini terhadap rekomendasi aktivitas fisik WHO. Lebih lanjut, machine learning decision tree sangat efektif dalam mengevaluasi dan mengklasifikasikan kepatuhan aktivitas fisik anak usia dini dengan performa akurasi 90%. Efektivitas pendekatan machine learning decision tree dalam mengevaluasi dan mengkategorikan tingkat aktivitas fisik anak usia dini secara akurat, menyoroti bidang-bidang potensial untuk intervensi dan strategi yang ditargetkan untuk meningkatkan kepatuhan terhadap aktivitas fisik yang direkomendasikan oleh WHO. Metodologi ini menawarkan instrumen yang menjanjikan bagi para profesional kesehatan, pembuat kebijakan, dan pendidik untuk lebih memahami dan mengatasi perilaku aktivitas fisik anak usia dini, sehingga berkontribusi terhadap promosi gaya hidup sehat sejak usia dini.
Prediksi BMI Berdasarkan Level Aktivitas Fisik dengan Metode Analisis Machine Learning Saputra, Diki Saputra; Jajat; Damayanti, Imas; Sultoni, Kuston; Ruhayati, Yati; Rahayu, Nur Indri
Jurnal Pendidikan Kesehatan Rekreasi Vol. 10 No. 1 (2024): Januari 2024
Publisher : Program Studi Pendidikan Jasmani Kesehatan dan Rekreasi FKIP Universitas PGRI Mahadewa Indonesia bekerjasama dengan Asosiasi Prodi Olahraga Perguruan Tinggi PGRI (APOPI)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59672/jpkr.v10i1.3499

Abstract

Prevalensi obesitas telah menjadi salah satu isu global dalam bidang kesehatan di masyarakat. Sementara itu aktivitas fisik diakui menjadi salah satu yang memiliki peran penting dalam mengatasi prevalensi obesitas. Tujuan penelitian ini yaitu untuk menjelaskan hubungan aktivitas fisik dengan Body Mass Index (BMI) dengan metode ML yang saat ini tengah populer. Sumber data yang digunakan yaitu dari kelompok bidang keilmuan sport and physical activity program studi Ilmu Keolahragaan, Universitas Pendidikan Indonesia. Total 212 (usia 19-23 tahun) partisipan yang memenuhi kriteria, terlibat dalam penelitian ini. IPAQ-SF digunakan untuk memperoleh data terkait dengan aktivitas fisik partisipan. Empat metode algoritma ML yaitu decision tree, naïve bayes, k-nearest neighbors (KNN), dan random forest digunakan untuk menganalisis data. Hasil penelitian menunjukkan bahwa algoritma naive bayes memiliki performa paling unggul (akurasi = 52,38%; sensitifitas = 51,65%; spesifisitas = 53,33%) dari ketiga model ML lainnya, sementara KNN paling rendah baik akurasi, sensitifitas, maupun spesifisitas (42,86%) dalam memprediksi BMI berdasarkan level aktivitas fisik. Aktivitas fisik memiliki peran penting dalam memprediksi BMI selain faktor lainnya seperti jenis kelamin dan perilaku sedentary.
KLASIFIKASI AKTIVITAS FISIK BERBASIS DATA ACCELEROMETER DAN KUESIONER DENGAN METODE MACHINE LEARNING Putri Mulyana, Humaira Azzahra; Suherman, Adang; Jajat, Jajat; Damayanti, Imas; Sultoni, Kuston; Ruhayati, Yati; Rahayu, Nur Indri
Jurnal Speed (Sport, Physical Education, Empowerment) Vol 6 No 2 (2023): Jurnal Speed (Sport, Physical Education, and Empowerment)
Publisher : Universitas Singaperbangsa Karawang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35706/jurnalspeed.v6i2.10197

Abstract

Accelerometer dan kuesioner merupakan instrumen yang telah banyak digunakan para peneliti dalam studi aktivitas fisik. Penelitian ini bertujuan untuk menganalisis perbedaan akurasi klasifikasi level aktivitas fisik dengan metode machine learning. Partisipan dalam penelitian ini yaitu remaja berusia 18-21 tahun (M=19,79 ; SD = 1,13)  dengan jumlah perempuan 44 orang dan laki-laki 17 orang. Instrumen yang digunakan dalam penelitian yaitu accelerometer Actigraph GT3X dan International Physical Activity Questionnaire (IPAQ). Adapun analisis klasifikasi level aktivitas fisik dilakukan dengan algoritma machine learning decision tree. Hasil analisis menunjukkan bahwa untuk dataset berbasis accelerometer Actigraph GT3X memiliki performa akurasi 98,36%, sedangkan akurasi dataset IPAQ menunjukkan performa akurasi sebesar 73,77%. Metode algoritma machine learning decision tree dapat digunakan untuk mengklasifikasi level aktivitas fisik pada kedua jenis sumber dataset dengan performa akurasi sedang sampai tinggi. Analisis lebih lanjut diperlukan dengan menggunakan algoritma machine learning lainnya untuk mendapatkan hasil penelitian yang lebih variatif. Keywords: Actigraph, Artificial Intelligence, DecisionTree, Intensitas Aktivitas Fisik
Co-Authors Adang Suherman Adi Gustira Agum Sholahuddin Amalia, Triska Pangestu Anggela, Tika Sri Anira Desvy Rahma Putri Mahendra Dewi, Silvani Euis Heryati Fazari, Muhamad Ilman Alifa Syahda, Ilman Alifa Iman Imanudin Jajat Jajat Jajat Jajat Jajat Jajat Jajat, Jajat Kartini, Dini Siti Cahya Kurnia Eka Wijayanti, Kurnia Eka Mahardika Amareksa, I Putu Tegar Mahendra, Desvy Rahma Putri Mohammad Zaky Muhammad Dzulfikar Firdaus Mustika Fitri Novianti, Berliana Nur Indri Rahayu Nur Indri Rahayu Nur Indri Rahayu Putri Mulyana, Humaira Azzahra Raden Cyntani Araya Ramdhan, Akhmad Faizal Rismawati, Lutvida Hesti Romadhona, Nur Faizah Ruhayati, Yati Sadewa, Fanuelciho Saputra, Diki Saputra Sri Devi, Sri Sultoni, Kuston Surdiniaty Ugelta Syifa Wandani Ugelta, Sudirniaty Wandani, Syifa Yati Nurhayati Yati Rukhayati