Import Library

Pada tahap ini dilakukan pemanggilan pustaka Python yang digunakan untuk pengolahan data, pemodelan Naive Bayes, serta evaluasi kinerja model.

import pandas as pd import numpy as np

Run to view results

Load Dataset

Dataset aktivitas olahraga lari dimuat ke dalam lingkungan pemrograman dan disusun dalam bentuk data frame untuk memudahkan proses pengolahan dan analisis selanjutnya.

df = pd.read_csv("data_aktivitas.csv")

Run to view results

Perhitungan Error dan Membuat Label Kesesuaian

Pada tahap ini dihitung persentase kesalahan antara estimasi kalori smartwatch dan nilai kalori MET, yang kemudian digunakan untuk membentuk label tingkat kesesuaian.

df["error_persen"] = abs(df["kalori_sw"] - df["kalori_met"]) / df["kalori_met"] * 100

Run to view results

Membuat fungsi label

def label_kesesuaian(error): if error <= 10: return "Sesuai" elif error <= 20: return "Cukup Sesuai" else: return "Tidak Sesuai"

Run to view results

df["label"] = df["error_persen"].apply(label_kesesuaian)

Run to view results

Pilih Fitur dan Target

Tahap ini menentukan variabel input (fitur) yang relevan serta variabel output (label kesesuaian) yang akan diprediksi oleh model.

X = df[[ "durasi (menit)", "kecepatan (mph)", "hr", "berat", "kalori_sw" ]] y = df["label"]

Run to view results

Encoding Data Kategorikal (Aktivitas)

Data kategorikal berupa jenis aktivitas diubah menjadi bentuk numerik menggunakan teknik encoding agar dapat diproses oleh algoritma Naive Bayes.

X = pd.get_dummies(df[[ "aktivitas", "durasi (menit)", "kecepatan (mph)", "hr", "berat", "kalori_sw" ]])

Run to view results

Pembagian Data Latih dan Data Uji

Dataset dibagi menjadi data latih dan data uji untuk memastikan model dapat dievaluasi secara objektif terhadap data yang belum pernah dilihat.

from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.3, random_state=42 )

Run to view results

Train Model Gaussian Naive Bayes

Pada tahap ini model Gaussian Naive Bayes dilatih menggunakan data latih untuk mempelajari pola hubungan antara fitur dan tingkat kesesuaian estimasi kalori.

from sklearn.naive_bayes import GaussianNB model = GaussianNB() model.fit(X_train, y_train)

Run to view results

Prediksi dan Evaluasi

Model yang telah dilatih digunakan untuk memprediksi data uji dan dievaluasi kinerjanya menggunakan confusion matrix serta metrik akurasi, presisi, dan recall.

y_pred = model.predict(X_test)

Run to view results

Confusion matrix

from sklearn.metrics import confusion_matrix, classification_report cm = confusion_matrix(y_test, y_pred) print(cm)

Run to view results

Precision, Recall, dan Accuracy

print(classification_report(y_test, y_pred))

Run to view results

Implementasi Model Pada Data Baru

Tahap ini menunjukkan implementasi model dalam memprediksi tingkat kesesuaian estimasi kalori pada data baru sebagai simulasi penggunaan nyata.

data_baru = pd.DataFrame([{ "durasi (menit)": 30, "kecepatan (mph)": 8.5, "hr": 150, "berat": 68, "kalori_sw": 290 }])

Run to view results

# Encode new data to match training data encoded_data_baru = pd.get_dummies(data_baru) # Ensure all columns match the training data for col in X_train.columns: if col not in encoded_data_baru: encoded_data_baru[col] = 0 # Reorder columns to match training data encoded_data_baru = encoded_data_baru[X_train.columns] hasil = model.predict(encoded_data_baru) print("Prediksi tingkat kesesuaian:", hasil[0])

Run to view results

.css-15w88e5{color:var(--chakra-colors-fg-neutral-primary);font-weight:inherit;letter-spacing:-0.09px;}Import Library

Load Dataset

Perhitungan Error dan Membuat Label Kesesuaian

Pilih Fitur dan Target

Encoding Data Kategorikal (Aktivitas)

Pembagian Data Latih dan Data Uji

Train Model Gaussian Naive Bayes

Prediksi dan Evaluasi

Implementasi Model Pada Data Baru

Import Library