Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Rekayasa Sistem Informasi dan Teknologi
Rifqy Ramdhani Hakim
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
PREDIKSI KECEPATAN RATA-RATA BERSEPEDA BERDASARKAN KONDISI TOPOGRAFI DAN FAKTOR CUACA MENGGUNAKAN XGBOOST DARI DATA STRAVA Rifqy Ramdhani Hakim; Sam Farisa Chaerul Haviana
Jurnal Rekayasa Sistem Informasi dan Teknologi Vol. 3 No. 2 (2025): November
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jrsit.v3i2.3143

Abstract

Meningkatnya minat bersepeda dan penggunaan aplikasi perekam data seperti Strava menuntut pemahaman mendalam mengenai faktor yang memengaruhi performa. Kecepatan rata-rata sangat dipengaruhi oleh variabel non-linear seperti kondisi topografi dan cuaca, sehingga memerlukan model prediksi yang akurat. Tujuan penelitian ini adalah mengimplementasikan Extreme Gradient Boosting (XGBoost) untuk membangun model prediksi kecepatan rata-rata bersepeda. Penelitian berfokus memodelkan hubungan antara data historis aktivitas Strava dengan variabel lingkungan. Metode penelitian dimulai dari pengumpulan data aktivitas pribadi (Juni 2024 - Agustus 2025) , mencakup fitur jarak, elevasi, cuaca, dan waktu tidur. Data mentah melalui pra-pemrosesan, termasuk normalisasi Min-Max Scaler. Data dibagi menjadi 80% data latih dan 20% data uji. Model XGBRegressor dilatih dengan hyperparameter seperti n_estimators=300 dan learning_rate=0.2. Kinerja model dievaluasi menggunakan Root Mean Squared Error (RMSE) dan R-squared (R²). Hasilnya, model XGBoost mampu memberikan estimasi kecepatan dengan akurasi cukup baik. Model mencapai skor RMSE 1.240 km/jam , yang mengindikasikan rata-rata kesalahan prediksi. Selain itu, model memperoleh nilai R² sebesar 0.800. Nilai R² ini berarti model mampu menjelaskan 80% variasi data kecepatan. Kesimpulannya, model XGBoost terbukti representatif
Co-Authors Sam Farisa Chaerul Haviana