eprintid: 31812
rev_number: 16
eprint_status: archive
userid: 12
dir: disk0/00/03/18/12
datestamp: 2026-06-30 03:54:06
lastmod: 2026-06-30 03:54:06
status_changed: 2026-06-30 03:54:06
type: thesis
metadata_visibility: show
creators_name: Imran, Faisal Bin Muhammad
creators_nim: 20.83.0555
contributors_name: Syafrizal, Melwin
corp_creators: Universitas AMIKOM Yogyakarta
title: K-MEANS CLUSTERING UNTUK SEGMENTASI
INTENSITAS AKTIVITAS LARI BERDASARKAN DATA
GPS DAN HEART RATE DI WILAYAH PERKOTAAN
DAN KABUPATEN: STUDI MENGGUNAKAN DATA
SIMULASI
ispublished: pub
subjects: 000.000.000A
divisions: tk
full_text_status: restricted
keywords: K-Means Clustering, Analisis Data GPS, Monitoring Detak Jantung,
Perangkat Wearable, Unsupervised Learning, Analitik IoT, GPS Data Analysis, Heart Rate Monitoring,
Wearable Devices.
abstract: 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
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: Fakultas Ilmu Komputer
thesis_type: bachelor
thesis_name: skripsi
citation:   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.   
document_url: https://eprints.amikom.ac.id/id/eprint/31812/1/COVER.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/31812/2/BAB%20I.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/31812/3/BAB%20II.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/31812/4/BAB%20III.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/31812/5/BAB%20IV.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/31812/6/BAB%20V.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/31812/7/Daftar%20Pustaka%20dan%20Lampiran.pdf
document_url: https://eprints.amikom.ac.id/id/eprint/31812/9/Sourcecode%20-%2020.83.0555.zip
document_url: https://eprints.amikom.ac.id/id/eprint/31812/8/Publikasi.pdf