Keywords
Klasifikasi
Split Validation
Cross Validation
How to Cite
Abstract
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.
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.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2024 Heru Teguh Santoso, Ferdian Ahmat Felmidi, Amelia Nur Fadhila, Aidina Ristyawan, Erna Daniati