Analisis Perbandingan Algoritma K-Nearest Neighbors dan Support Vector Machine untuk Klasifikasi Tingkat Pengalaman Anggota Gym
Keywords:
Akurasi, Anggota Gym, K-NN, Klasifikasi, SVMAbstract
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.
Downloads
References
[1] A. R. Hassan, "Machine Learning Approaches for Human Activity Recognition: A Comparative Study of SVM and K-NN on Fitness Tracker Data," IEEE Access, vol. 12, pp. 45012-45025, Mar. 2024.
[2] M. Sholeh, D. Andayati, and Y. Rachmawati, "Data Mining Model Klasifikasi Menggunakan Algoritma K-Nearest Neighbor dengan Normalisasi," TeIKa, vol. 12, no. 02, pp. 77-87, Oct. 2022.
[3] L. Chen, S. Wang, and J. Wu, "Classification of Physical Exercise Intensity Using Wearable Sensor Data: An Evaluation of Support Vector Machines," Journal of Sports Analytics and Technology, vol. 9, no. 2, pp. 112-125, Feb. 2023.
[4] Hidayatunnisa'i, Kusrini, and Kusnawi, "Perbandingan Kinerja Metode Naive Bayes dan SVM dalam Analisis Kualitas Butir Soal," JURNAL FASILKOM, vol. 13, no. 02, pp. 173-180, Aug. 2023.
[5] D. A. Ramadhan and D. Ramadhani, "Classification of Riau Batik Motifs Using the Convolutional Neural Network (CNN) Algorithm," International Journal of Electrical, Energy and Power System Engineering (IJEEPSE), vol. 7, no. 3, 2024.
[6] S. Musva and D. Ramadhani, "CNN-Based Eucalyptus Disease Classification Using MobileNet," Journal of Software Engineering and Multimedia (JASMED), vol. 3, no. 2, pp. 101-110, 2025.
[7] E. N. Sari, "Penerapan Algoritma SVM dengan Kernel RBF untuk Pengelompokan Tingkat Kebugaran Berdasarkan Data Aktivitas Fisik Harian," Jurnal Nasional Teknologi Olahraga, vol. 5, no. 2, pp. 201-210, Nov. 2023.
[8] Mustakim, Rosdina, D. Ramadhani, M. Afdal, and M. Rahmawita, "The classification status of river water quality in riau province using modified K-nearest neighbor algorithm with STORET modeling and water pollution index," Journal of Physics: Conference Series, vol. 1783, 2021.
[9] J. Park, H. Lee, and M. Kim, "Feature Importance Analysis in Fitness Level Classification: A Study on Heart Rate and Caloric Burn Metrics," Sports Engineering and Computing, vol. 14, pp. 34-49, 2024..
[10] M. R. Fahmi dan S. Indriati, "Optimasi Hyperparameter Support Vector Machine pada Data Multikelas untuk Pengenalan Aktivitas Fisik," Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 8, no. 4, pp. 1420-1428, Apr. 2024.
[11] F. Pedregosa et al., "Scikit-learn: Machine Learning in Python," Journal of Machine Learning Research, vol. 12, pp. 2825-2830, 2011.
[12] M. Sholeh, D. Andayati, and Y. Rachmawati, "Data Mining Model Klasifikasi Menggunakan Algoritma K-Nearest Neighbor dengan Normalisasi," TeIKa, vol. 12, no. 02, pp. 77-87, Oct. 2022.
[13] D. Y. Kim and C. H. Choi, "Evaluating K-NN Performance on High-Dimensional Fitness Tracking Datasets: The Impact of Feature Scaling," IEEE Transactions on Human-Machine Systems, vol. 53, no. 6, pp. 1010-1019, Dec. 2023.
[14] Hidayatunnisa'i, Kusrini, and Kusnawi, "Perbandingan Kinerja Metode Naive Bayes dan SVM dalam Analisis Kualitas Butir Soal," JURNAL FASILKOM, vol. 13, no. 02, pp. 173-180, Aug. 2023.
[15] S. Sathyanarayanan, "Confusion Matrix-Based Performance Evaluation Metrics," African Journal of Biomedical Research, pp. 4023-4031, Nov. 2024..
[16] A. A. Gedi, A. A. Khalif, M. A. S. Doon, A. A. Mohamed, I. A. Ali, and B. A. Ahmed, "Personalized Gym Recommendation System Using Machine Learning," International Journal of Engineering Trends and Technology, vol. 73, no. 4, pp. 249-257, Apr. 2025.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Hilmi Aminuddien, Syachrul Ramadhan, Mohammad Ferry Irwansyah, Dian Ramadhani (Author)
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
