relation: https://eprints.amikom.ac.id/id/eprint/31812/
title: K-MEANS CLUSTERING UNTUK SEGMENTASI  INTENSITAS AKTIVITAS LARI BERDASARKAN DATA  GPS DAN HEART RATE DI WILAYAH PERKOTAAN  DAN KABUPATEN: STUDI MENGGUNAKAN DATA  SIMULASI
creator: Imran, Faisal Bin Muhammad
subject: 000 Ilmu komputer, informasi dan pekerjaan umum
description: Penggunaan perangkat wearable dengan sensor GPS dan detak jantung yang  semakin meningkat telah menghasilkan volume data aktivitas yang besar dan  memerlukan  metode analisis yang efektif untuk segmentasi pola. Penelitian ini  bertujuan mengimplementasikan algoritma K-Means Clustering untuk melakukan  segmentasi pola aktivitas pelari berdasarkan data GPS dan heart rate menggunakan  data simulasi yang merepresentasikan karakteristik aktivitas lari nyata. Penelitian  menggunakan data sekunder berupa data dummy yang merepresentasikan 547 aktivitas  lari dengan lima fitur utama yaitu kecepatan, pace, detak jantung, elevasi, dan Route  Complexity Index (RCI).   Metodologi penelitian meliputi preprocessing data dengan normalisasi z-score,  penentuan jumlah cluster optimal menggunakan Elbow Method dan Silhouette Score,  serta implementasi K-Means dengan inisialisasi k-means++. Algoritma mencapai  konvergensi pada iterasi ke-47 dengan kompleksitas komputasi O (n×k×i×d). Hasil  clustering dievaluasi menggunakan tiga metrik yaitu Silhouette Score sebesar 0,487,  Davies-Bouldin Index sebesar 0,823, dan Calinski-Harabasz Index sebesar 342,56  yang menunjukkan kualitas clustering yang baik dengan pemisahan cluster yang jelas  dan homogenitas tinggi.  Analisis menghasilkan tiga cluster yang memiliki karakteristik berbeda: Cluster  0 (36,6%) menunjukkan aktivitas efisiensi kardiovaskular rendah dengan rasio efisiensi  detak jantung tinggi, Cluster 1 (32,5%) menunjukkan efisiensi kardiovaskular sedang  dengan karakteristik bervariasi, dan Cluster 2 (30,9%) menunjukkan efisiensi  kardiovaskular tinggi dengan efisiensi fisiologis. Normalisasi terbukti meningkatkan  performa secara signifikan dengan peningkatan Silhouette Score sebesar 56,1 persen.  Penelitian ini memberikan kontribusi pada penerapan unsupervised learning  untuk analisis IoT dari perangkat wearable dan mendemonstrasikan bahwa pendekatan  clustering dapat memberikan wawasan bermakna untuk segmentasi pola aktivitas.
date: 2026-03-02
type: Thesis
type: NonPeerReviewed
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/31812/1/COVER.pdf
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/31812/2/BAB%20I.pdf
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/31812/3/BAB%20II.pdf
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/31812/4/BAB%20III.pdf
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/31812/5/BAB%20IV.pdf
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/31812/6/BAB%20V.pdf
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/31812/7/Daftar%20Pustaka%20dan%20Lampiran.pdf
format: archive
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/31812/9/Sourcecode%20-%2020.83.0555.zip
format: text
language: id
identifier: https://eprints.amikom.ac.id/id/eprint/31812/8/Publikasi.pdf
identifier:   Imran, Faisal Bin Muhammad  (2026) K-MEANS CLUSTERING UNTUK SEGMENTASI INTENSITAS AKTIVITAS LARI BERDASARKAN DATA GPS DAN HEART RATE DI WILAYAH PERKOTAAN DAN KABUPATEN: STUDI MENGGUNAKAN DATA SIMULASI.  S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.