Analisis Kinerja Algoritma Data Mining pada Klasifikasi Tingkat Obesitas dengan K-Fold Cross Validation dan AUC
DOI:
https://doi.org/10.29407/inotek.v8i1.4917Abstract
Obesitas menjadi masalah kesehatan global yang serius dengan dampak signifikan terhadap kualitas hidup dan risiko penyakit kronis. Klasifikasi tingkat obesitas menggunakan data mining dapat membantu dalam pencegahan dan pengelolaan obesitas. Penelitian ini bertujuan untuk menganalisis kinerja algoritma data mining seperti Naive Bayes, K-Nearest Neighbors (KNN), Decision Trees, Random Forest, dan C4.5 pada klasifikasi tingkat obesitas dengan K-Fold Cross Validation dan AUC. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki kinerja terbaik dengan akurasi 96% dengan standart deviasi antar lipatan 0,02 dan nilai AUC 1 atau sempurna dibandingkan algoritma lainnya. Penggunaan model Random Forest dapat memberikan rekomendasi yang lebih akurat dalam upaya pencegahan dan penanganan obesitas. Penelitian ini penting karena dapat membantu dalam deteksi dini dan penanganan obesitas secara lebih efektif.
Keywords:
Tingkat Obesitas, Klasifikasi, Split Validation, Cross Validation##plugins.themes.default.displayStats.downloads##
References
F. Z. Burhan, S. Susetyowati, and M. Julia, “Obesitas sebagai faktor risiko penurunan aktivitas fisik vs. penurunan aktivitas fisik sebagai faktor risiko obesitas,” Jurnal Gizi Klinik Indonesia, vol. 20, no. 2, p. 64, Oct. 2023, doi: 10.22146/ijcn.86821.
Q. F. Zahari, N. A. S. Prashanti, S. Salsabella, J. Jumiatmoko, R. Hafidah, and N. E. Nurjannah, “Kemampuan Fisik Motorik Anak Usia Dini dengan Masalah Obesitas,” Jurnal Obsesi : Jurnal Pendidikan Anak Usia Dini, vol. 6, no. 4, pp. 2844–2851, Feb. 2022, doi: 10.31004/obsesi.v6i4.1570.
“740-Article Text-6827-1-10-20200430”.
A. Ardiansyah, A. T. Zy, and A. Nugroho, “Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi 4.0 Internasional. Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Obat (Studi Kasus Klinik Pratama Keluarga Kesehatan),” Journal of Information System, Applied, Management, Accounting and Research, vol. 7, no. 3, pp. 2598–8700, 2023, doi: 10.52362/jisamar.v7i3.1163.
S. Agustin et al., “Optimasi Feature Selection Menggunakan Algoritma Neural Network Untuk Klasifikasi Brain Stroke,” Jurnal Penelitian Rumpun Ilmu Teknik (JUPRIT), vol. 2, no. 3, pp. 66–74, 2023, doi: 10.55606/juprit.v2i3.2009.
F. Mehrparvar, “Obesity Levels,” Kaggle.com.
S. Wahyuni, M. Zarlis, Solikhun, D. Jollyta, M. Safii, and I. Sulistianingsih, “Implementation of MD Heuristic Method for Classifying Numerical Data in Data Preprocessing,” in Journal of Physics: Conference Series, Institute of Physics Publishing, Sep. 2019. doi: 10.1088/1742-6596/1255/1/012060.
J. V. Wie and M. Siddik, “Penerapan Metode Naïve Bayes Dalam Mengklasifikasi Tingkat Obesitas Pada Pria,” JOISIE Journal Of Information System And Informatics Engineering, vol. 6, no. Desember, pp. 69–77, 2022, [Online]. Available: https://www.kaggle.com/,
J. Homepage, S. Kenia, P. Loka, and A. Marsal, “MALCOM: Indonesian Journal of Machine Learning and Computer Science Comparison Algorithm of K-Nearest Neighbor and Naïve Bayes Classifier for Classifying Nutritional Status in Toddlers Perbandingan Algoritma K-Nearest Neighbor dan Naïve Bayes Classifier Untuk Klasifikasi Status Gizi Pada Balita,” vol. 3, pp. 8–14, 2023.
R. Puspita and A. Widodo, “Perbandingan Metode KNN, Decision Tree, dan Naïve Bayes Terhadap Analisis Sentimen Pengguna Layanan BPJS,” Jurnal Informatika Universitas Pamulang, vol. 5, no. 4, p. 646, Dec. 2021, doi: 10.32493/informatika.v5i4.7622.
I. Alhabib, A. Faqih, and F. Dikananda, “Komparasi Metode Deep Learning, Naïve Bayes dan Random Forest untuk Prediksi Penyakit Jantung,” INFORMATICS FOR EDUCATORS AND PROFESSIONALS, vol. 6, no. 2, pp. 176–185, 2022.
H. I. Islam, M. Khandava Mulyadien, U. Enri, U. Singaperbangsa, and K. Abstract, “Penerapan Algoritma C4.5 dalam Klasifikasi Status Gizi Balita,” Jurnal Ilmiah Wahana Pendidikan, vol. 8, no. 10, pp. 116–125, 2022, doi: 10.5281/zenodo.6791722.
L. Afifah, “Apa itu Confusion Matrix di Machine Learning?,” ilmudatapy.com.
R. Rizqi Robbi Arisandi, B. Warsito, and A. Rachman Hakim, “Aplikasi naïve bayes classifier (nbc) pada klasifikasi status gizi balita stunting dengan pengujian k-fold cross validation,” vol. 11, no. 1, pp. 130–139, 2022, [Online]. Available: https://ejournal3.undip.ac.id/index.php/gaussian/
Phyo Phyo Kyaw Zin, “Nested Cross-Validation & Cross-Validation Series – Part 1,” drzinph.com.
P. J. Oroh, H. I. S. Wungow, and J. N. A. Engka, “Latihan Fisik Pada Pasien Obesitas,” JURNAL BIOMEDIK (JBM), vol. 13, no. 1, p. 34, Mar. 2021, doi: 10.35790/jbm.13.1.2021.31773.
F. Irawan, “List of AUC ranges and their classification levels according to Gorunescu,” www.researchgate.net.
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Heru Teguh Santoso, Ferdian Ahmat Felmidi, Amelia Nur Fadhila, Aidina Ristyawan, Erna Daniati
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
