Perkembangan teknologi wearable seperti smartwatch telah memberikan kemudahan dalam pemantauan kesehatan dan kebugaran secara real-time. Penggunaan perangkat ini untuk pengumpulan data aktivitas fisik menjadi penting dalam penelitian kesehatan, khususnya dalam klasifikasi jenis aktivitas menggunakan metode machine learning. Namun, metode Support Vector Machine (SVM) pada penelitian sebelumnya menunjukkan akurasi yang kurang optimal akibat pemilihan hyperparameter yang belum tepat. Penelitian ini bertujuan mengoptimalkan hyperparameter SVM menggunakan algoritma Particle Swarm Optimization (PSO), dengan fokus pada hyperparameter C dan gamma (γ). Data yang digunakan mencakup enam jenis aktivitas fisik, seperti Lying, Sitting, Self Pace Walk, Running 3 METs, Running 5 METs, dan Running 7 METs. Hasil menunjukkan bahwa PSO mampu meningkatkan akurasi SVM secara signifikan. Pada data Apple Watch, akurasi meningkat dari 57.65% menjadi 82.79% dengan hyperparameter optimal C = 353.84 dan γ = 0.7046, menggunakan konfigurasi parameter PSO c1 = 0.12, c2 = 1.2, w = 0.5 dengan 10 partikel dan 50 iterasi. Sementara itu, pada data Fitbit akurasi meningkat dari 67.50% menjadi 87.50% dengan hyperparameter optimal C = 454.59 dan γ = 0.0855, menggunakan konfigurasi serupa dengan perbedaan nilai inersia, yaitu w = 0.7. Model hasil optimasi juga menunjukkan performa klasifikasi yang lebih stabil dan merata di seluruh kelas aktivitas. Temuan ini membuktikan bahwa kombinasi SVM dan PSO efektif dalam meningkatkan akurasi klasifikasi aktivitas fisik berbasis data wearable.