Analisi Perbandingan Decision Tree Dan Random Forestb Untuk Sistem Rekomendasi Aktivitas Fisik Besbasis Data Pola Hiduo

Aktivitas fisik yang sesuai dengan kondisi individu sangat penting untuk menjaga kesehatan, namun sebagian besar masyarakat masih kesulitan menentukan jenis dan intensitas olahraga yang tepat tanpa bimbingan profesional. Rendahnya pengetahuan masyarakat mengenai keamanan aktivitas fisik menunjukkan perlunya sistem bantu yang aman dan terpersonalisasi. Penelitian ini bertujuan menganalisis perbandingan algoritma Decision Tree dan Random Forest dalam memprediksi intensitas aktivitas fisik serta membangun sistem rekomendasi berbasis data pola hidup untuk pengguna berusia 17 tahun hingga dewasa. Dataset yang digunakan adalah Gym Members Exercise Tracking dengan 973 sampel. Preprocessing meliputi feature engineering, label encoding, normalisasi StandardScaler, dan penyeimbangan data menggunakan SMOTE. Kedua model dioptimalkan menggunakan GridSearchCV dan RandomizedSearchCV. Hasil pengujian menunjukkan kedua algoritma mencapai akurasi 95,38%, dengan Random Forest lebih unggul pada Macro F1-score (0,9046) dan precision kelas Light (1,00) dibandingkan Decision Tree (0,8942). Sistem mengintegrasikan machine learning dengan rule-based reasoning yang telah divalidasi ahli, namun tidak mempertimbangkan riwayat penyakit dalam karena memerlukan validasi medis profesional, sehingga berfungsi sebagai alat bantu awal yang bersifat indikatif. Implementasi dilakukan berbasis Streamlit. Penelitian ini menyimpulkan bahwa integrasi machine learning dan aturan berbasis pengetahuan mampu menghasilkan rekomendasi aktivitas fisik yang akurat, aman, dan terpersonalisasi.

Kata Kunci: aktivitas fisik, Decision Tree, intensitas latihan, machine learning, Random Forest, sistem rekomendasi