Sistem gerak tubuh manusia akan mengalami penurunan akibat massa tulang yang rusak. Adapun faktor yang membuat massa tulang menurun yaitu faktor dari usia dan penyakit. Rehabilitas sangat di perlukan bagi orang yang memiliki gangguan pada sistem gerak tubuh. Pemanfaatan deep learning dapat menciptakan sebuah sistem deteksi sensor yang berfokus pada pengenalan aktivitas manusia, agar mempermudah proses terapi pada pasien.
Pada penelitian ini dilakukan klasifikasi gerakan aktivitas sehari-hari dengan menggunakan metode Long Short-Term memory (LSTM) dua layer berbasis sensor smartphone. Sistem berbasis multisensor yaitu sensor accelerometer dan gyroscope pada smartphone memiliki keunggulan, dimana pengguna dapat bergerak dengan bebas tanpa khawatir objek tidak terdeteksi, sehingga dapat digunakan sebagai input sistem dan membantu proses berjalannya sistem deteksi dengan baik. Penelitian ini terdiri dari beberapa tahapan, dimulai sistem mengolah data train dan validasi sejumlah 10.299 data dari situs UCI dataset, kemudian sistem masuk ke tahap train menggunakan model LSTM untuk melatih data dan menghasilkan model terbaik. Selanjutnya data siap di uji dan di klasifikasi kedalam enam kelas yaitu walking, walking upstairs, walking downstairs, sitting, standing, dan laying. Kemudian, sistem akan menghasilkan performansi mengunakan parameter precision, recall dan f1-score.
Hasil pada Tugas Akhir ini berupa analisis pengaruh hyperparameter pada model LSTM. Model dengan performansi terbaik didapatkan pada jumlah nilai fitur hidden layer 64 dan iterasi 4901,33 dengan accuracy 92,03%, batch loss 38,95%, precision 92,33%, recall 92,03%, dan f1-score 91,97%. Berdasarkan hasil accuracy tersebut, hyperparameter pada model LSTM dapat mempengaruhi performansi dan kinerja sistem deteksi objek berbasis sensor accelerometer dan gyroscope.
Kata Kunci: Accuracy, F1-Score, LSTM, Precision, Recall, Sistem Gerak.