Analisis Perbandingan Klasifikasi Obesitas Menggunakan Metode K-Nearest Neighbor dan Ensemble Learning
Article Sidebar
Main Article Content
Abstract
Penyakit obesitas adalah suatu permasalahan yang tidak mudah dihindari oleh manusia karena berkaitan dengan kesehatan serta gaya hidup sehari hari. Oleh karena itu, penting untuk memberikan kontribusi dalam pengembangan alat diagnostik yang lebih cerdas dan berbasis data yang dapat dimanfaatkan oleh tenaga kesehatan profesional dalam mengidentifikasi seorang individu yang berisiko mempunyai permasalahan obesitas dan merancang intervensi yang lebih personal dan efektif. Tujuan dari penelitian ini untuk mengembangkan model prediksi obesitas dengan mengimplementasikan metode K-Nearest Neighbor (KNN) dan Ensemble Learning dari Naive Bayes dan Random Forest. Pada penelitian ini mengindikasikan bahwa algoritma KNN menghasilkan nilai akurasi sebesar 89,60%, sedangkan metode Ensemble Learning dari Naive Bayes dan Random Forest menghasilkan nilai akurasi sebesar 89,36%. Dari kedua metode yang digunakan, KNN lebih efektif dalam mendeteksi jenis obesitas berdasarkan dataset yang digunakan, dibandingkan dengan metode Ensemble Learning dari Naive Bayes dan Random Forest. Hasil ini menunjukkan bahwa pemilihan algoritma yang tepat sangat penting dalam pengembangan sistem klasifikasi obesitas yang lebih akurat dan efisien
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
Sudargo, T., et al. (2024, May 12). Pola Makan dan Obesitas. Universitas Gadjah Mada Press. https://ugmpress.ugm.ac.id/userfiles/product/daftar_isi/Pola_Makan_dan_Obesitas.pdf
World Health Organization. (2021). Obesity and overweight. https://www.who.int/news-room/fact-sheets/detail/obesity-and-overweight
World Health Organization. (2021). Body mass index calculator. https://www.emro.who.int/nutrition/information-resources/bmi-calculator.html
Hanafi, R., Badrah, S., & Noviasty, R. (2021). Pola makan, aktivitas fisik, dan genetik mempengaruhi kejadian obesitas pada remaja. Jurnal Kesehatan Metro Sai Wawai, 14(2), 120-129. https://doi.org/10.26630/jkm.v14i2.2665
Telisa, I., Hartati, Y., & Haripamilu, A. D. (2020). Faktor risiko terjadinya obesitas pada remaja SMA. Faletheah Health Journal, 7(3), 124-129. https://media.neliti.com/media/publications/338096-risk-factors-of-obesity-among-adolescent-6bcf1882.pdf
Rifaldi, A., Anang, L., & Satrio, I. D. (2022). Implementasi algoritma k-nearest neighbor (KNN), random forest, Naive Bayes dan decision tree untuk mengklasifikasikan tingkat obesitas. RG Journal of Applied Science, 2(2). https://doi.org/10.3140/RG.2.2.29928.03841
Ul Hassan, C. A., Khan, M. S., & Shah, M. A. (2018, September 1). Comparison of machine learning algorithms in data classification. IEEE Xplore. https://ieeexplore.ieee.org/abstract/document/8748995/
Palechor, F. M., & Manotas, A. D. (2019). Estimation of obesity levels based on eating habits and physical condition. UCI Machine Learning Repository. https://archive.ics.uci.edu/dataset/544/estimation+of+obesity+levels+based+on+eating+habits+and+physical+condition
Cholil, S. R., Handayani, T., Prathivi, R., & Adrianta, T. (2021). Implementasi algoritma klasifikasi k-nearest neighbor (KNN) untuk klasifikasi seleksi penerima beasiswa. IJCIT : Indonesian Journal of Computer and Information Technology, 6(2), 118-127. https://ejournal.bsi.ac.id/ejurnal/index.php/ijcit/article/view/5418
Putro, H. F., Vulandari, R. T., Saptomo, W. L., & Saptomo, W. L. (2020). Penerapan metode naive Bayes untuk klasifikasi pelanggan. TIKomSin: Jurnal Teknologi Informasi dan Komunikasi Sinar Nusantara, 8(2). https://p3m.sinus.ac.id/jurnal/index.php/TIKomSin/article/view/50415
Setiawan, M. J., Nugroho, B., & Sari, A. P. (2023). Klasifikasi penyakit daun tanaman menggunakan algoritma CNN dan random forest: Classification leaf diseases. Teknologi: Jurnal Ilmiah Sistem Informasi, 25(2), 197-227. https://journal.unipdu.ac.id/index.php/teknologi/article/view/3739
Biau, G., & Scornet, E. (2016). A random forest guided tour. Statistics Surveys, 10, 197-227. https://doi.org/10.1007/s11749-016-0481-7
Ardianasyah, M. (2016). Model ensemble algoritma random forest dalam klasifikasi penyakit paru-paru untuk meningkatkan akurasi. Jurnal Sains dan Teknologi, 2(2), 32-38. https://doi.org/10.37476/smartteknol.v2i2.4407
Yuliansyah, H., Imaniat, P. A. P., & Yuliansyah, H. (2022). Predicting students graduate on time using C4.5 algorithm. Jurnal Informatika Systems Engineering and Business Intelligence, 8(1), 1-10. https://doi.org/10.20473/jisebi.v7i.67-73
Azhari, M., Situmorang, Z., & Rosnelly, R. (2021). Prediksi klasifikasi pada algoritma C4.5, random forest, SVM dan naive Bayes. Jurnal Media Informatika Budidarma, 5(2), 640-647. https://doi.org/10.30865/mib.v5i2.2937
Nurrahman, H., & Susanto, M. (2020). Optimasi penentuan jumlah klaster menggunakan algoritma K-means. JURIKOM: Jurnal Riset Komputer, 10(2), 99-107. https://doi.org/10.30865/jurikom.v10i2.5087