Analisis Prediksi Level Obesitas Menggunakan Perbandingan Algoritma Machine Learning dan Deep Learning

  • Lila Setiyani STMIK ROSMA ORCID
  • Ayu Nur Indahsari President University
  • Rusdianto Roestam President University
PDF
DOI https://doi.org/10.31544/jtera.v8.i1.2022.139-146
Published 2023-06-30
Full Text Preview
Download PDF

Abstract

Level obesitas dapat di identifikasi berdasarkan kebiasaan makan dan kondisi fisik yang terdiri dari beberapa parameter yang dapat digunakan untuk mengukur tingkat akurasi dari prediksi level obesitas. Penelitian ini bertujuan untuk membuat prediksi level obesitas dengan akurasi yang baik. Metode yang digunakan adalah dengan membanding algoritma machine learning dan deep learning, dataset diambil dari data level obesitas pada individu dari negara Mexico, Peru dan Kolombia yang didasarkan pada kebiasan makan dan kondisi fisik, data tersebut terdiri dari 17 atribut dan 2111 record. Berdasarkan hasil analisis algoritma machine learning didapati akurasi dari random forest sebesar 96,37%, decision tree classifier sebesar 88,33%, logistic regression sebesar 73,66%, naïve bayes sebesar 56% dan KNN sebesar 88,96%. Sedangkan deep learning didapati akurasi sebesar 86,05%. Algoritma machine learning random forest memiliki akurasi yang paling baik dan dapat memprediksi presentase akurasi serta level obesitas.

Keywords

obesitas machine learning deep learning algoritma prediksi

References

D. A. Christianto, “Hubungan Aktivitas Fisik Terhadap Kejadian Obesitas Berdasarkan Indeks Massa Tubuh Di Desa Banjaroyo,†Berk. Ilm. Kedokt. Duta Wacana, vol. 3, no. 2, p. 78, 2018.
N. Puspitasari, “Faktor kejadian obesitas sentral paa usia dewasa,†Higeia J. puplic Heal. Res. Dev., vol. 2, no. 2, pp. 249–259, 2018.
R. V. Suryadinata and D. A. Sukarno, “Pengaruh Aktivitas Fisik Terhadap Risiko Obesitas Pada Usia Dewasa,†Indones. J. Public Heal., vol. 14, no. 1, pp. 106–116, 2019.
A. Mutia, J. Jumiyati, and K. Kusdalinah, “Pola Makan Dan Aktivitas Fisik Terhadap Kejadian Obesitas Remaja Pada Masa Pandemi Covid-19,†J. Nutr. Coll., vol. 11, no. 1, pp. 26–34, 2022.
W. Damopoli, N. Mayulu, and G. Masi, “Hubungan Konsumsi Fastfood Dengan Kejadian Obesitas Pada Anak Sd Di Kota Manado,†Ejournal Keperawatan, vol. 1, no. 1, pp. 1–7, 2013.
F. M. Palechor and A. de la H. Manotas, “Dataset for estimation of obesity levels based on eating habits and physical condition in individuals from Colombia, Peru and Mexico,†Data Br., vol. 25, p. 104344, 2019.
L. N. W. F. Fajzrina and R. R. Diana, “ANALISIS DAMPAK OBESITAS TERHADAP PERKEMBANGAN FISIK MOTORIK ANAK USIA 5 TAHUN Lati,†J. Progr. Stud. Pendidik. Anak Usia Dini “CERIA,†vol. 11, no. 1, pp. 62–74, 2022.
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.
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.
C. Janiesch, P. Zschech, and K. Heinrich, “Machine learning and deep learning,†Electron. Mark., vol. 31, no. 3, pp. 685–695, 2021.
M. Mahendra, R. Chandra Telaumbanua, A. Wanto, and A. Perdana Windarto, “Akurasi Prediksi Ekspor Tanaman Obat, Aromatik dan Rempah-Rempah Menggunakan Machine Learning,†KLIK Kaji. Ilm. Inform. dan Komput., vol. 2, no. 6, pp. 207–215, 2022.
A. Saiful, “Prediksi Harga Rumah Menggunakan Web Scrapping dan Machine Learning Dengan Algoritma Linear Regression,†JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 8, no. 1, pp. 41–50, 2021.
I. M. Muhamad, S. A. Wardana, A. Wanto, and A. P. Windarto, “Algoritma Machine Learning untuk penentuan Model Prediksi Produksi Telur Ayam Petelur di Sumatera,†J. Informatics …, vol. 1, no. 4, pp. 126–134, 2022.
F. M. Palechor and A. de la H. Manotas, “Estimation of obesity levels based on eating habits and physical condition Data Set,†UCI, 2019.
Z. Peng and N. Niu, “Co-AI: A Colab-Based Tool for Abstraction Identification,†Proc. IEEE Int. Conf. Requir. Eng., pp. 420–421, 2021.
E. Camizuli and E. J. Carranza, “Exploratory Data Analysis (EDA),†Encycl. Archaeol. Sci., no. 3, pp. 1–7, 2018.
Z. Noshad et al., “Fault detection in wireless sensor networks through the random forest classifier,†Sensors (Switzerland), vol. 19, no. 7, pp. 1–21, 2019.
R. G, “A Study to Find Facts Behind Preprocessing on Deep Learning Algorithms,†J. Innov. Image Process., vol. 3, no. 1, pp. 66–74, 2021.
D. Irawan, E. B. Perkasa, Y. Yurindra, D. Wahyuningsih, and E. Helmud, “Perbandingan Klassifikasi SMS Berbasis Support Vector Machine, Naive Bayes Classifier, Random Forest dan Bagging Classifier,†J. Sisfokom (Sistem Inf. dan Komputer), vol. 10, no. 3, pp. 432–437, 2021.
I. Sutoyo, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Data Peserta Didik,†J. Pilar Nusa Mandiri, vol. 14, no. 2, p. 217, 2018.
M. I. Gunawan, D. Sugiarto, and I. Mardianto, “Peningkatan Kinerja Akurasi Prediksi Penyakit Diabetes Mellitus Menggunakan Metode Grid Seacrh pada Algoritma Logistic Regression,†J. Edukasi dan Penelit. Inform., vol. 6, no. 3, p. 280, 2020.
M. K. Anam, B. N. Pikir, and M. B. Firdaus, “Penerapan Na ̈ıve Bayes Classifier, K-Nearest Neighbor (KNN) dan Decision Tree untuk Menganalisis Sentimen pada Interaksi Netizen danPemeritah,†MATRIK J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 1, pp. 139–150, 2021.
A. Sulistiyo, “Penentuan Jurusan Sekolah Menengah Atas Menggunakan Metode K-Nearest Neighbor Classifier Pada SMAN 16 Semarang,†Fasilkom Udinus, vol. 1, no. 1, pp. 1–5, 2014.

Issue

Vol. 8 No. 1: June 2023

Section

Articles

License

Authors who publish with this journal agree to the following terms:

The copyright to this article is transferred to JTERA if and when the article is accepted for publication. The undersigned hereby transfers any and all rights in and to the paper including without limitation all copyrights to JTERA. The undersigned hereby represents and warrants that the paper is original and that he/she is the author of the paper, except for material that is clearly identified as to its original source, with permission notices from the copyright owners where required. The undersigned represents that he/she has the power and authority to make and execute this assignment. The copyright transfer form will be sent via email before the article published.

The corresponding author signs for and accepts responsibility for releasing this material on behalf of any and all co-authors. This agreement is to be signed by at least one of the authors who have obtained the assent of the co-author(s) where applicable. After submission of this agreement signed by the corresponding author, changes of authorship or in the order of the authors listed will not be accepted.

How to Cite

[1]
“Analisis Prediksi Level Obesitas Menggunakan Perbandingan Algoritma Machine Learning dan Deep Learning”, JTERA, vol. 8, no. 1, pp. 139–146, Jun. 2023, doi: 10.31544/jtera.v8.i1.2022.139-146.