Klasifikasi Aktivitas Fisik Berbasis Data Accelerometer dan Kuesioner dengan Metode Machine Learning.
Accelerometer dan kuesioner merupakan instrumen yang telah banyak digunakan para peneliti dalam studi aktivitas fisik. Penelitian ini bertujuan untuk menganalisis perbedaan akurasi klasifikasi level aktivitas fisik dengan metode machine learning. Partisipan dalam penelitian ini yaitu remaja berusia...
Saved in:
Main Author: | |
---|---|
Format: | Book |
Published: |
Humaira Azzahra Putri Mulyana,
2023-11-30.
|
Subjects: | |
Online Access: | Link Metadata |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
MARC
LEADER | 00000 am a22000003u 4500 | ||
---|---|---|---|
001 | repoupi_115059 | ||
042 | |a dc | ||
100 | 1 | 0 | |a Humaira Azzahra Putri Mulyana, - |e author |
245 | 0 | 0 | |a Klasifikasi Aktivitas Fisik Berbasis Data Accelerometer dan Kuesioner dengan Metode Machine Learning. |
260 | |b Humaira Azzahra Putri Mulyana, |c 2023-11-30. | ||
500 | |a http://repository.upi.edu/115059/2/TA_ART_S_IKOR_2005988_SK.pdf | ||
500 | |a http://repository.upi.edu/115059/1/TA_ART_S_IKOR_2005988_ART.pdf | ||
520 | |a Accelerometer dan kuesioner merupakan instrumen yang telah banyak digunakan para peneliti dalam studi aktivitas fisik. Penelitian ini bertujuan untuk menganalisis perbedaan akurasi klasifikasi level aktivitas fisik dengan metode machine learning. Partisipan dalam penelitian ini yaitu remaja berusia 18-21 tahun (M=19,79 ; SD = 1,13) dengan jumlah perempuan 44 orang dan laki-laki 17 orang. Instrumen yang digunakan dalam penelitian yaitu accelerometer Actigraph GT3X dan International Physical Activity Questionnaire (IPAQ). Adapun analisis klasifikasi level aktivitas fisik dilakukan dengan algoritma machine learning decision tree. Hasil analisis menunjukkan bahwa untuk dataset berbasis accelerometer Actigraph GT3X memiliki performa akurasi 98,36%, sedangkan akurasi dataset IPAQ menunjukkan performa akurasi sebesar 73,77%. Metode algoritma machine learning decision tree dapat digunakan untuk mengklasifikasi level aktivitas fisik pada kedua jenis sumber dataset dengan performa akurasi sedang sampai tinggi. Analisis lebih lanjut diperlukan dengan menggunakan algoritma machine learning lainnya untuk mendapatkan hasil penelitian yang lebih variatif. | ||
546 | |a en | ||
546 | |a en | ||
690 | |a GV Recreation Leisure | ||
690 | |a QA76 Computer software | ||
655 | 7 | |a Thesis |2 local | |
655 | 7 | |a NonPeerReviewed |2 local | |
787 | 0 | |n http://repository.upi.edu/115059/ | |
787 | 0 | |n https://journal.unsika.a c.id/index.php/speed/ar ticle/view/10197 | |
856 | |u https://repository.upi.edu/115059 |z Link Metadata |