Klasifikasi Aktivitas Manusia Menggunakan Algoritma Random Forest Pada Imbalanced Smartphone Sensor Dataset

Rozai, Muhammad, 2026, KLASIFIKASI AKTIVITAS MANUSIA
MENGGUNAKAN ALGORITMA RANDOM FOREST PADA
IMBALANCED SMARTPHONE SENSOR DATASET. Tugas Akhir,
Program Sarjana, Program Studi Teknik Informatika, Universitas
Muhammadiyah Jember.
Pembimbing: (1) Agung Nilogiri, ST., M.Kom.; (2) Taufiq Timur W., S.Kom.,
M.Kom.
Human Activity Recognition (HAR) berbasis sensor smartphone memiliki
potensi untuk digunakan dalam berbagai bidang, seperti pemantauan aktivitas dan
keamanan. Namun, ketidakseimbangan kelas pada dataset dapat memengaruhi
kinerja model klasifikasi, terutama dalam mengenali kelas minoritas. Penelitian ini
bertujuan menganalisis kinerja algoritma Random Forest sebelum dan sesudah
balancing data serta menganalisis pengaruh hyperparameter tuning terhadap
kinerja model dalam mengklasifikasikan aktivitas Standing dan Walking. Dataset
yang digunakan adalah Accelerometer Gyro Mobile Phone dari UCI Machine
Learning Repository yang terdiri atas 31.991 data. Setelah proses cleaning,
diperoleh 31.847 data dengan rasio ketidakseimbangan kelas sekitar 1:54,8 antara
kelas Standing dan Walking. Tahapan penelitian meliputi preprocessing,
normalisasi menggunakan MinMaxScaler, penanganan ketidakseimbangan data
latih menggunakan SMOTE dengan k-neighbors = 5, serta pengujian empat kondisi
pemodelan, yaitu Random Forest default dan Random Forest dengan
hyperparameter tuning, masing-masing pada data imbalanced dan data hasil
SMOTE. Pengujian dilakukan menggunakan skenario stratified split 70:30 dan
80:20. Evaluasi menggunakan Accuracy, Macro Precision, Macro Recall, dan
Macro F1-Score, dengan Macro F1-Score sebagai metrik utama. Hasil pengujian
menunjukkan bahwa penerapan SMOTE meningkatkan Macro F1-Score pada
kedua skenario pembagian data. Pada split 70:30, nilai Macro F1-Score meningkat
dari 63,48% menjadi 69,12%, sedangkan pada split 80:20 meningkat dari 61,44%
menjadi 67,88%. Sebaliknya, pengaruh hyperparameter tuning tidak menunjukkan
peningkatan yang konsisten. Pada data imbalanced, Macro F1-Score setelah tuning
sebesar 61,91% pada split 70:30 dan 61,44% pada split 80:20. Pada data hasil
SMOTE, nilainya sebesar 69,12% pada split 70:30 dan 68,26% pada split 80:20.
Dengan demikian, hyperparameter tuning tidak meningkatkan Macro F1-Score
pada split 70:30, sedangkan peningkatan sebesar 0,38 poin persentase pada split
80:20 relatif kecil dibandingkan variasi antar-seed. Macro F1-Score tertinggi
(69,12%) diperoleh pada data hasil SMOTE split 70:30, baik tanpa maupun dengan
hyperparameter tuning, karena parameter terbaik hasil GridSearchCV identik
dengan parameter default. Hasil robustness check menggunakan sepuluh nilai
random seed pada Kondisi D menunjukkan simpangan baku sebesar 0,64 poin
persentase pada split 70:30 (rentang 67,52%–69,47%) dan 1,19 poin persentase
pada split 80:20 (rentang 67,14%–70,61%). Simpangan baku pada split 80:20 lebih
besar daripada peningkatan akibat tuning, sehingga pengaruh hyperparameter
tuning pada penelitian ini tidak konsisten dan tidak dapat dinyatakan berarti.
Kata kunci: random forest, SMOTE, class imbalance, human activity recognition,
hyperparameter tuning.