JTERA (Jurnal Teknologi Rekayasa)
Analisis Prediksi Level Obesitas Menggunakan Perbandingan Algoritma Machine Learning dan Deep Learning
Lila Setiyani, Ayu Nur Indahsari, Rusdianto RoestamAbstract
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.
http://dx.doi.org/10.31544/jtera.v8.i1.2022.139-146
Keywords
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.
DOI: http://dx.doi.org/10.31544/jtera.v8.i1.2022.139-146
Abstract 712 View
PDF viewed = 433 View
Refbacks
- There are currently no refbacks.
Copyright (c) 2023 JTERA (Jurnal Teknologi Rekayasa)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright @2016-2023 JTERA (Jurnal Teknologi Rekayasa) p-ISSN 2548-737X e-ISSN 2548-8678.
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
JTERA Editorial Office:
Politeknik Sukabumi
Jl. Babakan Sirna 25, Sukabumi 43132, West Java, Indonesia
Phone/Fax: +62 266215417
Whatsapp: +62 81809214709
Website: https://jtera.polteksmi.ac.id
E-mail: [email protected]