Klasifikasi Aktivitas Fisik Berbasis Data Accelerometer ActivPAL dan ActiGraph: Metode Analisis dengan Machine Learning

Agum Sholahuddin (Universitas Pendidikan Indonesia, Jawa Barat, Indonesia)
Jajat Jajat (Universitas Pendidikan Indonesia, Jawa Barat, Indonesia)
Imas Damayanti (Universitas Pendidikan Indonesia, Jawa Barat, Indonesia)
Kuston Sultoni (Universitas Pendidikan Indonesia, Jawa Barat, Indonesia)
Adang Suherman (Universitas Pendidikan Indonesia, Jawa Barat, Indonesia)
Nur Indri Rahayu (Universitas Pendidikan Indonesia, Jawa Barat, Indonesia)
Yati Nurhayati (Universitas Pendidikan Indonesia, Jawa Barat, Indonesia)
Mohammad Zaky (Universitas Pendidikan Indonesia, Jawa Barat, Indonesia)

Jurnal Dunia Pendidikan
Vol 4 No 2 (2024): Jurnal Dunia Pendidikan

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.