<![CDATA[Penentuan tingkat pengalaman anggota gym secara akurat merupakan tantangan penting dalam perancangan program latihan yang personal dan efektif. Penelitian terdahulu yang membandingkan K-Nearest Neighbors (K-NN) dan Support Vector Machine (SVM) umumnya berfokus pada domain medis seperti prediksi diabetes, sehingga efektivitas kedua algoritma pada data kebugaran fisik belum banyak dikaji. Penelitian ini mengisi kesenjangan tersebut dengan menerapkan dan membandingkan K-NN dan SVM pada dataset Gym Members Exercise Tracking (973 data, 15 atribut) untuk mengklasifikasikan tingkat pengalaman anggota menjadi tiga kelas: Beginner, Intermediate, dan Expert. Pemrosesan data mencakup label encoding, normalisasi StandardScaler, serta pembagian data latih dan uji dengan rasio 80:20. K-NN diimplementasikan dengan K=5 menggunakan metrik jarak Euclidean, sedangkan SVM menggunakan kernel RBF dengan parameter C=1,0 dan gamma='scale'. Hasil pengujian menunjukkan SVM mengungguli K-NN dengan akurasi 85,64% (macro F1-score: 0,86) dibandingkan K-NN dengan akurasi 81,54% (macro F1-score: 0,81). Kontribusi utama penelitian ini adalah bukti empiris bahwa SVM dengan kernel RBF lebih efektif untuk klasifikasi multikelas pada data kebugaran fisik dibandingkan K-NN, serta identifikasi fitur-fitur fisiologis yang paling berpengaruh terhadap penentuan tingkat pengalaman anggota gym.]]>
Copyrights © 2026
