K-MEANS CLUSTERING UNTUK SEGMENTASI INTENSITAS AKTIVITAS LARI BERDASARKAN DATA GPS DAN HEART RATE DI WILAYAH PERKOTAAN DAN KABUPATEN: STUDI MENGGUNAKAN DATA SIMULASI

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.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (1MB)
	Text (BAB I) BAB I.pdf - Published Version Download (264kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (578kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (435kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf - Published Version Download (330kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (314kB)
	Archive (SOURCE CODE) Sourcecode - 20.83.0555.zip - Published Version Restricted to Repository staff only Download (13kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (459kB)

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.

Item Type:

Thesis (S1 - Sarjana)

Contributor:

Pembimbing
Syafrizal, Melwin

Uncontrolled Keywords:

K-Means Clustering, Analisis Data GPS, Monitoring Detak Jantung, Perangkat Wearable, Unsupervised Learning, Analitik IoT, GPS Data Analysis, Heart Rate Monitoring, Wearable Devices.

Subjects:

000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 000 Ilmu komputer, informasi dan pekerjaan umum

Divisions:

Fakultas Ilmu Komputer > Teknik Komputer

Depositing User:

RC Universitas AMIKOM Yogyakarta

Date Deposited:

30 Jun 2026 03:54

Last Modified:

30 Jun 2026 03:54

URI:

http://eprints.amikom.ac.id/id/eprint/31812