Klasifikas Sistem Aktivitas Manusia Menggunakan Metode Random Forest Dan K-NN (K-Nearest Neighbor)

Abstract

Perancangan ini membahas penerapan metode K-Nearest Neighbors (KNN), Random Forest, dan Neural Network dalam mengklasifikasikan aktivitas manusia menggunakan data sensor accelerometer, gyroscope, dan magnetometer. KNN dengan nilai (k=5) mencapai akurasi 92,05%, sedangkan Random Forest dengan 100 pohon keputusan menghasilkan nialai akurasi 96,02%. Meskipun KNN sensitif terhadap pola sederhana dan dapat mengalami overfitting atau underfitting bergantung pada nilai (k), Random Forest menunjukkan kemampuan yang lebih baik dalam menangani pola kompleks dan memiliki kecenderungan lebih rendah terhadap overfitting berkat penggunaan ensemble pohon keputusan. Namun, kedua metode mengalami kesulitan dalam membedakan aktivitas dengan karakteristik mirip atau noise tinggi, seperti kategori Downstairs dan Upstairs, yang mengindikasikan perlunya penyesuaian lebih lanjut untuk meningkatkan ketepatan klasifikasi. Untuk metode Neural Network, yang menghasilkan akurasi 86% dengan waktu eksekusi 7-8 detik, menunjukkan bahwa meskipun kinerja klasifikasinya cukup baik, percepatan waktu eksekusi dapat berdampak negatif pada akurasi. Neural Network mampu mempelajari pola dari data melalui pelatihan dengan menyesuaikan bobot koneksi antar neuron. Kesimpulannya, KNN dan Random Forest merupakan metode yang kuat untuk klasifikasi aktivitas manusia berdasarkan data sensor, sementara pemilihan metode harus disesuaikan dengan sifat data, kompleksitas pola, dan kebutuhan spesifik masalah yang dihadapi.