MODEL PENDETEKSIAN RISIKO JATUH PESEPEDA BERBASIS DATA SENSOR INERSIA MENGGUNAKAN RANDOM FOREST

Keselamatan berkendara bagi pesepeda saat ini masih menjadi perhatian penting akibat tingginya risiko kehilangan keseimbangan di jalanan. Penelitian ini bertujuan untuk membangun model klasifikasi anomali gerakan yang diasosiasikan dengan risiko jatuh pesepeda menggunakan algoritma Random Forest. Data penelitian dikumpulkan secara naturalistik melalui sensor inersia (Inertial Measurement Unit) pada stang sepeda menggunakan Bike&Safe Dataset. Karena keterbatasan ketiadaan ground truth jatuh aktual, pelabelan target dibentuk secara mandiri melalui pendekatan sigma-based thresholding (2 sigma) pada fitur Resultant Acceleration (RA) dan Resultant Angular Velocity (RAV). Analisis data dijalankan dengan framework OSEMN menggunakan bahasa pemrograman R. Hasil pengujian dengan Leave-One-Lap-Out Cross-Validation (LOLO-CV) menunjukkan bahwa model Random Forest Tuned pada skenario data asli (Imbalance) menghasilkan performa terbaik dengan F1-score 0,880 dan Recall 0,903, mengungguli baseline Logistic Regression (F1-score 0,802). Penerapan Borderline-SMOTE tidak memberikan dampak positif bagi Random Forest karena algoritma ini sudah robust terhadap ketidakseimbangan kelas secara internal. Melalui analisis Mean Decrease Gini, fitur kecepatan sudut giroskop (Max_Y_Gyro_deg) menjadi proksi indikator paling sensitif bagi model. Penelitian ini dapat menjadi dasar pengembangan aplikasi nyata sistem keselamatan aktif pesepeda.