Keywords
Naive Bayes
Support Vector Machine
How to Cite
Abstract
Obesitas, yang sering dikaitkan dengan penyakit jantung, diabetes, dan stroke, merupakan masalah besar bagi kesehatan global. Jumlah orang obesitas di Indonesia telah meningkat secara signifikan, mencapai 21,80 persen dari populasi dewasa pada tahun 2018. Studi ini menggunakan dataset yang tersedia untuk umum untuk memperkirakan tingkat obesitas di Meksiko. Teknik data mining yang digunakan termasuk algoritma Naive Bayes dan Support Vector Machine (SVM). Tujuannya adalah untuk membuat model prediksi yang dapat menemukan orang yang lebih berisiko terkena obesitas dan membantu mengambil langkah pencegahan yang tepat.
References
U. L. Wijaya, B. Widjanarko, and R. Indraswari, “Faktor-Faktor Yang Berhubungan Dengan Perilaku Makan Berisiko Gizi Lebih Pada Remaja Sma Di Kota Semarang,” Jurnal Kesehatan Masyarakat, vol. 8, no. 3, pp. 426–431, 2020.
N. Puspitasari, “Faktor kejadian obesitas sentral paa usia dewasa,” Higeia J. puplic Heal. Res. Dev., vol. 2, no. 2, pp. 249–259, 2018.
R. R. Suryadinata and D. A. Sukarno, “Pengaruh Aktivitas Fisik Terhadap Risiko Obesitas Pada Usia Dewasa= The Effect Of Physical Activity On The Risk Of Obesity In Adulthood,” The Indonesian Journal of Public Health, vol. 14, no. 1, pp. 106–116, 2019.
K. Kusdalinah, A. Mutia, and J. Jumiyati, “Pola makan dan aktivitas fisik terhadap kejadian obesitas remaja pada masa pandemi Covid-19,” Journal of Nutrition College, vol. 11, no. 1, pp. 26–34, 2022.
L. Setiyani, A. N. Indahsari, and R. Roestam, “Analisis Prediksi Level Obesitas Menggunakan Perbandingan Algoritma Machine Learning dan Deep Learning,” JTERA J. Teknol. Rekayasa, vol. 8, no. 1, pp. 2022–2139, 2023.
J. G. Greener, S. M. Kandathil, L. Moffat, and D. T. Jones, “A guide to machine learning for biologists,” Nat Rev Mol Cell Biol, vol. 23, no. 1, pp. 40–55, 2022.
C. Janiesch, P. Zschech, and K. Heinrich, “Machine learning and deep learning,” Electronic Markets, vol. 31, no. 3, pp. 685–695, 2021.
G. L. W. Hart, T. Mueller, C. Toher, and S. Curtarolo, “Machine learning for alloys,” Nat Rev Mater, vol. 6, no. 8, pp. 730–755, 2021.
A. Ridwan, “Penerapan Algoritma Naïve Bayes Untuk Klasifikasi Penyakit Diabetes Mellitus,” J. SISKOM-KB (Sistem Komput. dan Kecerdasan Buatan), vol. 4, no. 1, pp. 15–21, 2020.
R. W. Abdullah, D. Hartanti, H. Permatasari, A. W. Septyanto, and Y. Abi 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, 2022.
M. D. Purbolaksono, M. I. Tantowi, A. I. Hidayat, and A. Adiwijaya, “Perbandingan support vector machine dan modified balanced random forest dalam deteksi pasien penyakit diabetes,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 2, pp. 393–399, 2021.
G. A. B. Suryanegara and M. D. Purbolaksono, “Peningkatan Hasil Klasifikasi pada Algoritma Random Forest untuk Deteksi Pasien Penderita Diabetes Menggunakan Metode Normalisasi,” Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), vol. 5, no. 1, pp. 114–122, 2021.
B. Prasojo and E. Haryatmi, “Analisa Prediksi Kelayakan Pemberian Kredit Pinjaman dengan Metode Random Forest,” J. Nas. Teknol. dan Sist. Inf, vol. 7, no. 2, pp. 79–89, 2021.
A. E. Satriatama et al., “Analisis Klaster Data Pasien Diabetes untuk Identifikasi Pola dan Karakteristik Pasien,” Jurnal Teknologi Dan Sistem Informasi Bisnis, vol. 5, no. 3, pp. 172–182, 2023.
M. D. Purbolaksono, M. I. Tantowi, A. I. Hidayat, and A. Adiwijaya, “Perbandingan support vector machine dan modified balanced random forest dalam deteksi pasien penyakit diabetes,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 2, pp. 393–399, 2021.
V. A. P. Putri, A. B. Prasetijo, and D. Eridani, “Perbandingan Kinerja Algoritme Naïve Bayes Dan K-Nearest Neighbor (Knn) Untuk Prediksi Harga Rumah,” Transmisi: Jurnal Ilmiah Teknik Elektro, vol. 24, no. 4, pp. 162–171, 2022.
D. Zamri, “Perbandingan Metode Data Mining untuk Prediksi Banjir Dengan Algoritma Naïve Bayes dan KNN: Comparison of Data Mining Methods for Predition of Floods with Naïve Bayes and KNN Algorithm,” in SENTIMAS: Seminar Nasional Penelitian dan Pengabdian Masyarakat, 2022, pp. 40–48.
D. D. Putri, G. F. Nama, and W. E. Sulistiono, “Analisis Sentimen Kinerja Dewan Perwakilan Rakyat (DPR) Pada Twitter Menggunakan Metode Naive Bayes Classifier,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 10, no. 1, 2022.
S. Rana and A. Singh, “Comparative analysis of sentiment orientation using SVM and Naive Bayes techniques,” in 2016 2nd International Conference on Next Generation Computing Technologies (NGCT), IEEE, 2016, pp. 106–111.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright (c) 2024 Eggy Cahya Ardianta, Prasetyo Ari Wibowo, Nazzel Maulana Mustofa, Aidina Ristyawan, Erna Daniati