[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-120080-id":3,"doc-seo-120080-113":31,"detail-sidebar-cat-0-id-113":90},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},120080,2336474459895,"Aria","https://ap-avatar.wpscdn.com/avatar/22000baeef7a5ed0655?x-image-process=image/resize,m_fixed,w_180,h_180&k=1786071322749376916",54,"Penelitian & Laporan","IMPLEMENTASI MACHINE LEARNING UNTUK DETEKSI PENGENDARA SEPEDA MOTOR UGAL-UGALAN MENGGUNAKAN DATA SENSOR SMARTPHONE","Penelitian membahas pembangunan dataset dan pemodelan machine learning untuk mendeteksi perilaku ugal-ugalan pengendara sepeda motor berbasis sensor smartphone. Data diperoleh dari akselerometer, giroskop, dan GPS, kemudian diturunkan menjadi fitur akselerasi dan rotasi tiga sumbu serta fitur kecepatan. Setelah pelabelan, dilakukan reorientasi, windowing, ekstraksi, dan seleksi fitur. Model Random Forest, SVM, dan Naïve Bayes diuji dengan train-test serta hyperparameter tuning acak. SVM mencatat akurasi tertinggi (rata-rata 97,64%), dengan skenario ES60 sebagai performa optimal.","83  \nBAB V  \nKESIMPULAN DAN SARAN  \n5.1 Kesimpulan  \nKesimpulan dari penelitian Deteksi Pengendara Sepeda Motor Ugal-ugalan Menggunakan Sensor pada Smartphone adalah sebagai berikut:  \n1. Penelitian ini berhasil membangun sebuah dataset yang dapat digunakansebagai dasar untuk menilai atau mengkategorikan tindakan ugal-ugalan pada pengendara sepeda motor. Proses pembangunan dataset melibatkantahap pengumpulan data, pelabelan data perilaku ugal-ugalan, dan beberapatahap praproses data. Data yang dikumpulkan berasal dari sensor akselerometer, giroskop, dan GPS. Dari data tersebut, didapat fitur akselerasi dan rotasi pada tiga sumbu serta fitur kecepatan yang kemudian dilabeli berdasarkan proses pengumpulan data. Setelah data dilabeli, data tersebut melewati beberapa tahap praproses, yaitu reorientasi data, windowing, ekstraksi fitur, dan seleksi fitur. Tahapan-tahapan ini bertujuan untuk meningkatkan kualitas data sehingga lebih baik dan optimal untuk digunakan dalam membangun model deteksi.  \n2. Model deteksi pengendara sepeda motor ugal-ugalan dapat dibangundengan memisah dataset menjadi data train dan test. Data train laludigunakan untuk membangun model menggunakan algoritma machine learning Random Forest, Support Vector Machine, dan Naïve Bayes didalam lingkungan python dengan bantuan library sklearn. Prosespembangunan model deteksi dalam penelitian ini dilakukan dengan melatih model menggunakan hyperparameter terbaik yang didapat dari proses random hyperparameter tuning.  \n3. Algoritma Support Vector Machine (SVM) memiliki performa terbaik dalam mendeteksi pengendara ugal-ugalan, dengan rata-rata nilai akurasimencapai 97.64 persen dari setiap skenario penelitian. Meskipun demikian, algoritma Random Forest (RF) juga menunjukkan performa yang baikdengan rata-rata nilai akurasi sebesar 96.18 persen, yang tidak jauh berbedadari SVM. Sementara itu, algoritma naïve bayes (NB) memiliki performa  \nVegatama Firdiady, 2024  \nIMPLEMENTASI MACHINE LEARNING UNTUK DETEKSI PENGENDARA SEPEDA MOTOR UGALUGALAN MENGGUNAKAN DATA SENSOR SMARTPHONE  \nUniversitas Pendidikan [Indonesia | repository.upi.edu | perpustakaan.upi.edu](Indonesia | repository.upi.edu | perpustakaan.upi.edu)  \n84  \nyang buruk dengan rata-rata akurasi hanya sebesar 51.98 persen. Dari enam label yang diuji dalam penelitian ini, Pindah Lajur Normal (PLN) merupakan label yang paling mudah untuk dideteksi oleh ketiga model algoritma. Sebaliknya, label Akselerasi Normal (AN) merupakan yang paling sulit untuk dideteksi.  \n4. Skenario ES60 menunjukkan performa yang optimal dalam penelitian ini. Skenario tersebut menghasilkan akurasi sebesar 99.90 pada algoritma Random Forest, 99.50 pada algoritma Support Vector Machine dan 66.77 pada algoritma naïve bayes, dengan rata-rata total sebesar 88.72. Skenario ini menggunakan data sensor GPS dengan ukuran jendela yang besar serta orientasi data menggunakan sistem koordinat bumi. Pendekatan ini terbuktimemberikan hasil yang optimal dalam mendeteksi perilaku pengendaraugal-ugalan.  \n5.2 Saran  \nDalam pelaksanaan penelitian ini, tentu saja terdapat beberapa kekurangan. Oleh karena itu, penulis ingin menyampaikan beberapa saran agar penelitian serupadi masa depan dapat menjadi lebih baik. Beberapa saran yang ingin penulis sampaikan antara lain:  \n1. Untuk meningkatkan kualitas model yang dikembangkan, disarankan untuk melakukan pengumpulan data tambahan. Selain itu, perlu dilakukan penambahan label ugal-ugalan lain pada data agar model memilikikemampuan untuk menghadapi variasi yang lebih kompleks dalam situasinyata.  \n2. Disarankan untuk melanjutkan penelitian dengan menggunakan algoritmalain dalam kasus yang serupa. Langkah ini akan memberikan pemahamantentang keefektifan model yang dibangun dalam konteks permasalahan  \nyang sama.  \n3. Untuk memperluas cakupan penelitian, direkomendasikan untuk  \nmenjalankan penelitian dengan mempertimbangkan variasi praproses data, seperti proses ekstraksi fitur yang lebih beragam.  \nVegatama Firdiady, 202","cbCaitSWEpj36PnU","https://ap.wps.com/l/cbCaitSWEpj36PnU","pdf",662330,4,1,2,"Indonesian","id",113,"# Kesimpulan dan Saran\n## Kesimpulan\n## Saran","[{\"question\":\"Bagaimana dataset untuk deteksi ugal-ugalan dibangun dalam penelitian ini?\",\"answer\":\"Dataset dibangun melalui pengumpulan data, pelabelan perilaku ugal-ugalan, lalu praproses. Data berasal dari akselerometer, giroskop, dan GPS, kemudian diekstraksi fitur akselerasi/rotasi tiga sumbu serta kecepatan dan diseleksi untuk kualitas data model.\"},{\"question\":\"Model machine learning apa saja yang digunakan untuk mendeteksi pengendara ugal-ugalan?\",\"answer\":\"Penelitian menggunakan Random Forest, Support Vector Machine (SVM), dan Naïve Bayes. Model dilatih di lingkungan Python menggunakan library sklearn serta hyperparameter terbaik dari proses random hyperparameter tuning.\"},{\"question\":\"Algoritma mana yang memberikan performa terbaik dan pada skenario apa hasilnya paling optimal?\",\"answer\":\"SVM memberikan performa terbaik dengan rata-rata akurasi 97,64%. Skenario ES60 menunjukkan performa optimal, dengan akurasi 99,90 pada Random Forest, 99,50 pada SVM, dan 66,77 pada Naïve Bayes.\"}]","IMPLEMENTASI MACHINE LEARNING UNTUK DETEKSI PENGENDARA SEPEDA MOTOR UGAL-UGALAN MENGGUNAKAN DATA SENSOR SMARTPHONE | PDF",1785728040,3,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":85,"head_meta":87,"extra_data":89,"updated_unix":29},"machine-learning-implementation-for-detecting-reckless-motorcycle-riders-using-smartphone-sensor-data","",{"@graph":37,"@context":84},[38,52,67],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,48,50],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":22},"https://docshare.wps.com/id/document/","Document",{"item":49,"name":12,"@type":44,"position":30},"https://docshare.wps.com/id/document/penelitian-laporan/",{"item":51,"name":13,"@type":44,"position":20},"https://docshare.wps.com/id/document/machine-learning-implementation-for-detecting-reckless-motorcycle-riders-using-smartphone-sensor-data/120080/",{"url":51,"name":13,"@type":53,"author":54,"headline":13,"publisher":56,"fileFormat":59,"inLanguage":24,"description":14,"dateModified":60,"datePublished":61,"encodingFormat":59,"isAccessibleForFree":62,"interactionStatistic":63},"DigitalDocument",{"name":9,"@type":55},"Person",{"url":42,"name":57,"@type":58},"DocShare","Organization","application/pdf","2026-08-15","2026-08-03",true,{"@type":64,"interactionType":65,"userInteractionCount":20},"InteractionCounter",{"@type":66},"ViewAction",{"@type":68,"mainEntity":69},"FAQPage",[70,76,80],{"name":71,"@type":72,"acceptedAnswer":73},"Bagaimana dataset untuk deteksi ugal-ugalan dibangun dalam penelitian ini?","Question",{"text":74,"@type":75},"Dataset dibangun melalui pengumpulan data, pelabelan perilaku ugal-ugalan, lalu praproses. Data berasal dari akselerometer, giroskop, dan GPS, kemudian diekstraksi fitur akselerasi/rotasi tiga sumbu serta kecepatan dan diseleksi untuk kualitas data model.","Answer",{"name":77,"@type":72,"acceptedAnswer":78},"Model machine learning apa saja yang digunakan untuk mendeteksi pengendara ugal-ugalan?",{"text":79,"@type":75},"Penelitian menggunakan Random Forest, Support Vector Machine (SVM), dan Naïve Bayes. Model dilatih di lingkungan Python menggunakan library sklearn serta hyperparameter terbaik dari proses random hyperparameter tuning.",{"name":81,"@type":72,"acceptedAnswer":82},"Algoritma mana yang memberikan performa terbaik dan pada skenario apa hasilnya paling optimal?",{"text":83,"@type":75},"SVM memberikan performa terbaik dengan rata-rata akurasi 97,64%. Skenario ES60 menunjukkan performa optimal, dengan akurasi 99,90 pada Random Forest, 99,50 pada SVM, dan 66,77 pada Naïve Bayes.","https://schema.org",{"og:url":51,"og:type":86,"og:title":13,"og:site_name":57,"og:description":14},"article",{"robots":88,"canonical":51},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":91},[92,97,101,105,109,113,115,119,123,127,131],{"id":93,"doc_module":4,"doc_module_name":47,"category_name":94,"show_sort_weight":95,"slug":96},55,"Agama & Spiritualitas",60,"religion-spirituality",{"id":98,"doc_module":4,"doc_module_name":47,"category_name":99,"show_sort_weight":95,"slug":100},48,"Cerita & Novel","story-novel",{"id":102,"doc_module":4,"doc_module_name":47,"category_name":103,"show_sort_weight":95,"slug":104},56,"Gaya Hidup","lifestyle",{"id":106,"doc_module":4,"doc_module_name":47,"category_name":107,"show_sort_weight":95,"slug":108},51,"Komik","comic",{"id":110,"doc_module":4,"doc_module_name":47,"category_name":111,"show_sort_weight":95,"slug":112},53,"Layanan Kesehatan","healthcare",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":95,"slug":114},"research-report",{"id":116,"doc_module":4,"doc_module_name":47,"category_name":117,"show_sort_weight":95,"slug":118},49,"Sastra","literature",{"id":120,"doc_module":4,"doc_module_name":47,"category_name":121,"show_sort_weight":95,"slug":122},52,"Teknologi","technology",{"id":124,"doc_module":4,"doc_module_name":47,"category_name":125,"show_sort_weight":95,"slug":126},50,"Ujian","exam",{"id":128,"doc_module":4,"doc_module_name":47,"category_name":129,"show_sort_weight":95,"slug":130},57,"Umum","general",{"id":132,"doc_module":4,"doc_module_name":47,"category_name":133,"show_sort_weight":4,"slug":134},181,"Formulir","formulir"]