Pemanfaatan Supervised Machine Learning untuk Prediksi Tingkat Kebugaran Jasmani Berdasarkan Data TKJI Remaja di Kota Bandung

  • Setyo Wahyu Wibowo Universitas Pendidikan Indonesia, Jawa Barat, Indonesia
  • Imas Damayanti Universitas Pendidikan Indonesia, Jawa Barat, Indonesia
  • Tono Haryono Universitas Pendidikan Indonesia, Jawa Barat, Indonesia
  • Tian Kurniawan Universitas Bandung
  • Fadli Maulana Institut Teknologi Bandung, Jawa Barat, Indonesia
Keywords: Supervised Machine Learning, Prediksi, TKJI, Kebugaran Jasmani, Remaja

Abstract

Kebugaran jasmani merupakan komponen penting dalam kesehatan anak dan remaja, namun analisis data Tes Kebugaran Jasmani Indonesia (TKJI) di Indonesia sering kali terbatas pada pendekatan deskriptif sederhana. Penelitian ini bertujuan untuk mengeksplorasi penerapan supervised machine learning untuk memprediksi tingkat kebugaran jasmani siswa SMK di Kota Bandung berdasarkan data TKJI. Menggunakan desain kuantitatif dengan pendekatan cross-sectional, penelitian ini melibatkan 107 siswa yang dipilih melalui purposive sampling. Model supervised machine learning yang diterapkan meliputi Decision Tree, Random Forest, dan Support Vector Machine (SVM). Hasil analisis menunjukkan bahwa model Random Forest memberikan performa terbaik dengan akurasi 82%, mengidentifikasi daya tahan dan kekuatan sebagai variabel yang paling signifikan dalam memprediksi kebugaran jasmani. Temuan ini menyoroti potensi machine learning dalam meningkatkan pemahaman tentang faktor-faktor yang mempengaruhi kebugaran jasmani dan menyarankan perlunya penelitian lebih lanjut dengan sampel yang lebih besar dan variabel tambahan untuk hasil yang lebih komprehensif.

Downloads

Download data is not yet available.
Published
2024-10-31
How to Cite
Wibowo, S. W., Damayanti, I., Haryono, T., Kurniawan, T., & Maulana, F. (2024). Pemanfaatan Supervised Machine Learning untuk Prediksi Tingkat Kebugaran Jasmani Berdasarkan Data TKJI Remaja di Kota Bandung. Jurnal Dunia Pendidikan, 5(2), 585-593. https://doi.org/10.55081/jurdip.v5i2.2994

Most read articles by the same author(s)

1 2 > >>