Penggunaan Data Mining untuk Prediksi tingkat Obesitas di Meksiko Menggunakan Metode Random Forest
Vol. 8 No. 3 (2024), Articles
Vol. 8 No. 3 (2024)

Penggunaan Data Mining untuk Prediksi tingkat Obesitas di Meksiko Menggunakan Metode Random Forest

Articles
Published 2024-07-31
Ersa Dwi Nur Aini
Universitas Nusantara PGRI Kediri
Reka Ainul Khasanah
Universitas Nusantara PGRI Kediri
Aidina Ristyawan
Universitas Nusantara PGRI Kediri
Erna Diniati
Universitas Nusantara PGRI Kediri
PDF

Keywords

obesitas
K-Nearest Neighbors
Random
Forest KDD
Klasifikasi

How to Cite

Aini, E. D. N., Khasanah, R. A., Ristyawan, A., & Diniati, E. (2024). Penggunaan Data Mining untuk Prediksi tingkat Obesitas di Meksiko Menggunakan Metode Random Forest. Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi), 8(3), 1256–1265. Retrieved from https://proceeding.unpkediri.ac.id/index.php/inotek/article/view/5062
ACM ACS APA ABNT Chicago Harvard IEEE MLA Turabian Vancouver

Download Citation

Endnote/Zotero/Mendeley (RIS) BibTeX

Abstract

Metode KDD (Knowledge Discovery in Databases) digunakan untuk pemahaman masalah, pemilihan data yang relevan, dan preprocessing sebelum analisis data. Selanjutnya, algoritma KNN digunakan untuk klasifikasi obesitas berdasarkan faktor risiko. Algoritma ini mengelompokkan data baru berdasarkan tetangga terdekatnya dalam ruang fitur. Hasil evaluasi menunjukkan bahwa model Random Forest mencapai akurasi keseluruhan sebesar 93.38%. Model ini terutama unggul dalam memprediksi kelas Obesity_Type_I dan Obesity_Type_III, meskipun kinerjanya sedikit menurun pada kelas Overweight_Level_I. Meskipun demikian, Random Forest terbukti sebagai alat yang efisien dalam memproyeksikan tingkat obesitas, menunjukkan potensi dalam upaya pencegahan dan penanganan obesitas di Meksiko

PDF

References

U. Lisya Wijaya, B. Widjanarko, R. I. Bagian, P. Kesehatan, I. Perilaku, and K. Masyarakat, “FAKTOR-FAKTOR YANG BERHUBUNGAN DENGAN PERILAKU MAKAN BERISIKO GIZI LEBIH PADA REMAJA SMA DI KOTA SEMARANG,” vol. 8, no. 3, 2020, [Online]. Available: http://ejournal3.undip.ac.id/index.php/jkm

L. Setiyani, A. Nur Indahsari, and R. Roestam, “Analisis Prediksi Level Obesitas Menggunakan Perbandingan Algoritma Machine Learning dan Deep Learning,” Jurnal Teknologi Rekayasa), vol. 8, no. 1, pp. 139–146, 2023, doi: 10.31544/jtera.v8.i1.2023.139-146.

J. S. Komputer, K. Buatan, and A. Ridwan, “Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus,” 2020.

A. Muzakir and R. A. Wulandari, “Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree,” Scientific Journal of Informatics, vol. 3, no. 1, 2016, [Online]. Available: http://journal.unnes.ac.id/nju/index.php/sji

S. Y. Sibi and A. R. Widiarti, “Klasifikasi Tingkat Obesitas Mempergunakan Algoritma KNN.”

“252-Article Text-515-1-10-20240330”.

C. Responden and K. Kunci, “Maryanah Safitri 1) , Ardian Dwi Praba 2) 1 Informatika, Universitas Nusa Mandiri,” 2024.

D. Arisandi, T. Sutrisno, and I. Kurniawan, “KLASIFIKASI OPINI MASYARAKAT DI TWITTER TENTANG KEBOCORAN DATA YANG TERJADI DI INDONESIA MENGGUNAKAN ALGORITMA SVM,” Jurnal Teknika, vol. 15, no. 2, pp. 75–80, Sep. 2023, doi: 10.30736/jt.v15i2.993.

R. W. Abdullah, D. Hartanti, H. Permatasari, A. W. Septyanto, and Y. A. Bagaskara, “Penerapan Data Mining untuk Memprediksi Jumlah Produk Terlaris Menggunakan Algoritma Naive Bayes Studi Kasus (Toko Prapti),” Jurnal Ilmiah Informatika Global, vol. 13, no. 1, Mar. 2022, doi: 10.36982/jiig.v13i1.2060.

I. A. G. Saputra, N. Soewarno, and Isnalita, “Faktor-faktor yang memengaruhi keputusan pembelian Generasi Z pada kegiatan bisnis berbasis E-commerce,” Journal of research and application: accounting and management, vol. 4, no. 1, Sep. 2019, doi: 10.18382/jraam.v4i1.003.

I. Bagus, K. Surya, A. Itb, S. Bali, and J. Raya Puputan, “ANALISIS SENTIMEN PADA MEDIA SOSIAL TERHADAP VAKSIN NUSANTARA MENGGUNAKAN TEXT MINING,” Jurnal informasi dan Komputer, vol. 11, no. 1, p. 2023.

P. Simanjuntak, C. E. Suharyanto, S. Sitohang, and K. Handoko, “DATA MINING UNTUK KLASIFIKASI STATUS PANDEMI COVID 19,” Jurnal Teknik Informasi dan Komputer (Tekinkom), vol. 5, no. 2, p. 327, Dec. 2022, doi: 10.37600/tekinkom.v5i2.620.

I. Budiman and R. Ramadina, “Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi,” IJCCS, vol. x, No.x, no. 1, pp. 1–5.

E. Retnaningsih, “MODEL PREDIKSI PREVALENSI OBESITAS PADA PENDUDUK UMUR DIATAS 15 TAHUN DI INDONESIA,” 2010. [Online]. Available: www.balitbangdasumsel.net

D. Nur Fitriani et al., “Prediction of Obesity Levels Using Neural Network: Binary Classification Approach,” 2024, [Online]. Available: https://ojs3.unpatti.ac.id/index.php/parameter

Y. Sulistyo Nugroho and dan Nova Emiliyawati, “Sistem Klasifikasi Variabel Tingkat Penerimaan Konsumen Terhadap Mobil Menggunakan Metode Random Forest.” [Online]. Available: http://archive.ics.uci.edu/ml/

S. Devella and F. Novia Rahmawati, “Implementasi Random Forest Untuk Klasifikasi Motif Songket Palembang Berdasarkan SIFT,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 7, no. 2, 2020, [Online]. Available: http://jurnal.mdp.ac.id

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Copyright (c) 2024 Ersa Dwi Nur Aini, Reka Ainul Khasanah, Aidina Ristyawan, Erna Diniati

Downloads

Download data is not yet available.

Most read articles by the same author(s)

<< < 1 2 3