ANALISIS KOMPARATIF ALGORITMA K-NEAREST NEIGHBOR DAN SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI PERILAKU MENGEMUDI MOBIL BERDASARKAN DATA SENSOR ACCELEROMETER DAN GYROSCOPE

Perilaku mengemudi yang melibatkan akselerasi, pengereman, dan perubahan arah secara mendadak dapat diidentifikasi berdasarkan pola pergerakan yang direkam oleh sensor accelerometer dan gyroscope. Penelitian ini bertujuan menerapkan serta membandingkan kinerja algoritma K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM) dalam mengklasifikasikan perilaku mengemudi mobil berdasarkan data hasil ekstraksi fitur kedua sensor tersebut. Dataset yang digunakan merupakan Driving Behavior Dataset yang diperoleh dari Kaggle dan terdiri atas 1.102 data, 60 fitur numerik, serta empat kelas target, yaitu Sudden Acceleration, Sudden Right Turn, Sudden Left Turn, dan Sudden Brake. Untuk memperoleh evaluasi yang lebih representatif, dilakukan pengujian ulang dengan menggunakan 79 sampel evaluasi yang tidak saling tumpang tindih dengan tetap mempertahankan 60 fitur. Proses evaluasi dilakukan menggunakan 5-Fold Cross-Validation dengan StandardScaler yang diterapkan di dalam pipeline. Model KNN menggunakan nilai k = 5, sedangkan model SVM menggunakan kernel Radial Basis Function (RBF). Hasil 5-Fold Cross-Validation menunjukkan bahwa KNN memperoleh rata-rata akurasi sebesar 89,92% dengan standar deviasi 4,94%, sedangkan SVM memperoleh rata-rata akurasi sebesar 92,50% dengan standar deviasi 6,12%. Berdasarkan prediksi out-of-fold, KNN memperoleh akurasi sebesar 89,87%, macro precision 91,81%, macro recall 90,31%, dan macro F1-score 90,08%. Sementara itu, SVM memperoleh akurasi sebesar 92,41%, macro precision 93,06%, macro recall 93,05%, dan macro F1-score 92,86%. Hasil tersebut menunjukkan bahwa SVM memiliki kinerja klasifikasi yang lebih tinggi dibandingkan KNN pada skema evaluasi yang digunakan. Model KNN dan SVM selanjutnya diimplementasikan ke dalam aplikasi web berbasis Flask yang memungkinkan pengguna mengunggah berkas CSV berisi 60 fitur hasil ekstraksi sensor, memilih model klasifikasi, dan memperoleh hasil prediksi perilaku mengemudi secara otomatis.