<![CDATA[Sistem rekomendasi gerakan olahraga menjadi esensial dalam mempromosikan gaya hidup sehat dengan memberikan saran aktivitas yang personal. Latar belakang ini mendorong pengembangan sistem rekomendasi yang mampu memahami karakteristik pengguna dan menyediakan rekomendasi aktivitas yang relevan. Tujuan penelitian ini adalah merancang dan mengimplementasikan model rekomendasi terintegrasi melalui tiga metode utama: clustering, klasifikasi, dan content-based filtering. Tahap pertama, clustering, menggunakan algoritma K-Means untuk mengelompokkan 3.000 partisipan ke dalam klaster 'Aktif' dan 'Pasif' berdasarkan profil kebugaran, yang kemudian menjadi fitur penting dalam tahap klasifikasi. Selanjutnya, berbagai model machine learning dievaluasi untuk memprediksi jenis aktivitas olahraga utama yang sesuai dengan profil pengguna. Hasil evaluasi menunjukkan bahwa model K-Nearest Neighbors (KNN) adalah yang terbaik dengan akurasi 0.4875, mengungguli Decision Tree, Random Forest, dan Deep Learning. Model KNN yang terlatih disimpan untuk deployment. Tahap terakhir adalah content-based filtering yang merekomendasikan tiga aktivitas serupa dengan aktivitas utama hasil prediksi, berdasarkan fitur konten seperti intensitas, tingkat kebugaran, kalori, dan langkah harian menggunakan Cosine Similarity. Sistem berhasil memprediksi aktivitas utama (misalnya cycling) dan memberikan rekomendasi relevan (seperti running, basketball, dan tennis) berdasarkan input profil pengguna.]]>
