<![CDATA[Tingkat kebugaran fisik adalah parameter penting untuk mengevaluasi kondisi kesehatan tubuh, namun pengukuran manual bersifat subjektif dan memakan waktu. Penelitian ini menerapkan algoritma K-Nearest Neighbor (KNN) untuk mengklasifikasikan tingkat kebugaran tubuh ke dalam empat kategori (A, B, C, D) berdasarkan sepuluh indikator biometrik: usia, tinggi badan, berat badan, persentase lemak tubuh, tekanan darah diastolik dan sistolik, kekuatan genggaman, fleksibilitas, jumlah sit-up, dan hasil lompatan lebar. Dataset berisi 13.393 data, dibagi menjadi data latih (80%) dan data uji (20%) dengan stratified split, dinormalisasi menggunakan Min-Max Scaling, dan dihitung jaraknya dengan Euclidean Distance. Pengujian beberapa nilai K menunjukkan bahwa K=9 memberikan akurasi terbaik sebesar 59,54% pada data uji. Matriks kebingungan menunjukkan model lebih baik mengenali kelas ekstrem (A dan D) dibandingkan kelas menengah (B dan C) yang memiliki kemiripan karakteristik biometrik. Penelitian ini menyimpulkan bahwa KNN dapat diterapkan untuk klasifikasi kebugaran tubuh dengan akurasi yang memadai, serta menjelaskan pengaruh nilai K dan karakteristik data terhadap akurasi klasifikasi.]]>
Copyrights © 2026
