OPTIMASI METODE RANDOM FOREST UNTUK KLASIFIKASI RISIKO OBESITAS BERDASARKAN POLA MAKAN
DOI:
https://doi.org/10.51401/jinteks.v7i1.5065Keywords:
Obesitas, Pola Makan, Random Forest, Grid Search, KlasifikasiAbstract
Pola makan tidak sehat, seperti mengonsumsi makanan cepat saji dan mengurangi asupan sayur serta buah, merupakan salah satu penyebab utama obesitas, yang menjadi masalah kesehatan global. Obesitas dapat meningkatkan risiko penyakit tidak menular seperti diabetes, hipertensi, dan penyakit jantung. Dengan menggunakan algoritma Random Forest, penelitian ini bertujuan untuk mengembangkan model prediksi risiko obesitas berbasis pola makan. Data yang digunakan terdiri dari 1.610 record dengan 15 atribut, yang diambil dari dataset publik. Tahapan penelitian meliputi pengumpulan data, preprocessing, pembagian data menjadi data latih dan uji, implementasi model, optimasi hyperparameter dengan Grid Search, dan evaluasi model. Hasil penelitian menunjukkan bahwa model Random Forest yang dioptimasi mampu mencapai akurasi sebesar 85,4%. Frekuensi mengonsumsi makanan cepat saji, jumlah makanan utama setiap hari, kebiasaan ngemil, dan konsumsi sayur adalah beberapa variabel penting yang memengaruhi prediksi. Model ini diharapkan dapat membantu pencegahan dan penanganan obesitas secara lebih efektif sekaligus memberikan wawasan tambahan untuk pengembangan sistem prediksi kesehatan berbasis data
References
S. K. Saraswati et al., “Literature Review?: Faktor Risiko Penyebab Obesitas,” Media Kesehat. Masy. Indones., vol. 20, no. 1, pp. 70–74, 2021, doi: 10.14710/mkmi.20.1.70-74.
L. Setiyani, A. N. Indahsari, and R. Roestam, “Analisis Prediksi Level Obesitas Menggunakan Perbandingan Algoritma Machine Learning dan Deep Learning,” JTERA (Jurnal Teknol. Rekayasa), vol. 8, no. 1, p. 139, 2023, doi: 10.31544/jtera.v8.i1.2022.139-146.
N. Mohammadian Khonsari et al., “Normal Weight Obesity and Cardiometabolic Risk Factors: A Systematic Review and Meta-Analysis,” Front. Endocrinol. (Lausanne)., vol. 13, no. March, 2022, doi: 10.3389/fendo.2022.857930.
S. Y. Sibi and A. R. Widiarti, “Klasifikasi Tingkat Obesitas Mempergunakan Algoritma KNN,” Semin. Nas. Corisindo, vol. 7, no. 2, pp. 370–375, 2022.
H. T. Santoso, F. A. Felmidi, A. Nur, A. Ristyawan, and E. Daniati, “Analisis Kinerja Algoritma Data Mining pada Klasifikasi Tingkat Obesitas dengan K-Fold Cross Validation dan AUC,” vol. 8, pp. 113–122, 2024.
A. B. Putri and A. Makmun, “Pola Makan terhadap Obesitas,” Indones. J. Heal., vol. xx, no. xx, pp. 68–76, 2021, doi: 10.33368/inajoh.v2i1.39.
D. Alfora, E. Saori, and L. N. Fajriah, “Pengaruh konsumsi makanan cepat saji terhadap gizi remaja,” FLORONA J. Ilm. Kesehat., vol. 2, no. 1, pp. 43–49, 2023, doi: 10.55904/florona.v2i1.688.
E. Yuniarti, “Hubungan Konsumsi Sayur dan Buah dengan Kegemukan Remaja di Kota Padang,” J. Sehat Mandiri, vol. 18, no. 1, pp. 137–145, 2023, doi: 10.33761/jsm.v18i1.974.
D. I. Gizi, F. Kedokteran, and U. Diponegoro, “ASUPAN ENERGI CEMILAN, DURASI DAN KUALITAS TIDUR PADA REMAJA OBESITAS DAN NON OBESITAS,” vol. 7, no. 2010, pp. 147–154, 2018.
D. Librado and A. H. Nasyuha, “Penerapan Data Mining Untuk Klasifikasi Penerima Kredit Dengan Perbandingan Algoritma Naïve Bayes dan Algoritma C4.5,” J. Media Inform. Budidarma, vol. 7, no. 4, p. 1952, 2023, doi: 10.30865/mib.v7i4.6907.
M. Azhari, Z. Situmorang, and R. Rosnelly, “Perbandingan Akurasi, Recall, dan Presisi Klasifikasi pada Algoritma C4.5, Random Forest, SVM dan Naive Bayes,” J. Media Inform. Budidarma, vol. 5, no. 2, p. 640, 2021, doi: 10.30865/mib.v5i2.2937.
W. Apriliah, I. Kurniawan, M. Baydhowi, and T. Haryati, “Prediksi Kemungkinan Diabetes pada Tahap Awal Menggunakan Algoritma Klasifikasi Random Forest,” Sistemasi, vol. 10, no. 1, p. 163, 2021, doi: 10.32520/stmsi.v10i1.1129.
D. Mualfah, W. Fadila, and R. Firdaus, “Teknik SMOTE untuk Mengatasi Imbalance Data pada Deteksi Penyakit Stroke Menggunakan Algoritma Random Forest,” J. CoSciTech (Computer Sci. Inf. Technol., vol. 3, no. 2, pp. 107–113, 2022, doi: 10.37859/coscitech.v3i2.3912.
Arifin Yusuf Permana, Hari Noer Fazri, M.Fakhrizal Nur Athoilah, Mohammad Robi, and Ricky Firmansyah, “Penerapan Data Mining Dalam Analisis Prediksi Kanker Paru Menggunakan Algoritma Random Forest,” J. Ilm. Tek. Inform. dan Komun., vol. 3, no. 2, pp. 27–41, 2023, doi: 10.55606/juitik.v3i2.472.
E. Dwi et al., “Penggunaan Data Mining untuk Prediksi tingkat Obesitas di Meksiko Menggunakan Metode Random Forest,” Agustus, vol. 8, pp. 2549–7952, 2024.
N. H. Alfajr and S. Defiyanti, “METODE RANDOM FOREST DAN PENERAPAN PRINCIPAL COMPONENT ANALYSIS ( PCA ),” vol. 12, no. 3, 2024.
A. Toha, P. Purwono, and W. Gata, “Model Prediksi Kualitas Udara dengan Support Vector Machines dengan Optimasi Hyperparameter GridSearch CV,” Bul. Ilm. Sarj. Tek. Elektro, vol. 4, no. 1, pp. 12–21, 2022, doi: 10.12928/biste.v4i1.6079.
D. Iskandar, “Optimasi Parameter Random Forest menggunakan Grid Search Untuk Analisis Time series,” Petir, vol. 16, no. 2, pp. 267–277, 2023, doi: 10.33322/petir.v16i2.2084.
D. Benaya, “Implementasi Random Forest dalam Klasifikasi Kanker Paru-Paru,” JOINTER J. Informatics Eng., vol. 5, no. 01, pp. 27–31, 2024, doi: 10.53682/jointer.v5i01.331.
Z. Maisat, E. Darmawan, and A. Fauzan, “Implementasi Optimasi Hyperparameter GridSearchCV Pada Sistem Prediksi Serangan Jantung Menggunakan SVM Implementation of GridSearchCV Hyperparameter Optimization in Heart Attack Prediction System Using SVM,” Unipdu, vol. 13, no. 1, pp. 8–15, 2023.
Published
How to Cite
Issue
Section
Copyright (c) 2025 Nafiati Rosidah, Rastri Prathivi, Susanto Susanto
This work is licensed under a Creative Commons Attribution 4.0 International License.
