Rancang Bangun Sistem Klasifikasi Tingkat Obesitas dengan Algoritma Random Forest Classifier

Abigail, Tesalonika (2024) Rancang Bangun Sistem Klasifikasi Tingkat Obesitas dengan Algoritma Random Forest Classifier. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (216kB)
	PDF BAB_II.pdf Download (566kB)
	PDF BAB_III.pdf Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (5MB)
	PDF BAB_V.pdf Download (208kB)
	PDF DAFTAR_PUSTAKA.pdf Download (212kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (423kB)

Abstract

Obesitas merupakan salah satu masalah kesehatan dunia serius yang disebabkan oleh berlebihnya timbunan lemak pada tubuh. Menurut World Health Organization (WHO), prevalensi obesitas telah meningkat 3 kali lipat dalam 40 tahun terakhir, dengan 650 juta dari 1.9 miliar orang dewasa yang kelebihan berat badan mengalami obesitas. Obesitas merupakan penyakit tidak menular yang berisiko menyebabkan penyakit lain yang lebih berbahaya seperti penyakit jantung dan kanker. Oleh karena itu, deteksi dini tingkat obesitas sangat penting. Saat ini, telah terdapat indikator pengukuran Body Mass Index (BMI), namun diketahui telah melebih-lebihkan obesitas bagi yang memiliki massa otot yang tinggi dan sebaliknya. Oleh karena itu, BMI dianggap kurang efektif karena hanya bergantung pada tinggi dan berat badan, tanpa mempertimbangkan komposisi tubuh dan keseharian seseorang. Untuk mengatasi permasalahan ini, telah dibangun model Random Forest Classifier terbaik yang dipilih berdasarkan hasil model selection setelah melakukan perbandingan dengan menerapkan feature selection dan hyperparameter tuning. Model yang terpilih berhasil meningkatkan akurasi model sebesar 1.4% yang kemudian diimplementasikan ke dalam sebuah sistem untuk mengklasifikasikan tingkat obesitas. Evaluasi model menghasilkan nilai Precision, Recall, F1-Score, dan akurasi sebesar 97%, 97%, 97%, dan 96.8% secara berurutan. Dari hasil evaluasi tersebut, dapat disimpulkan bahwa sistem ini mampu mengklasifikasikan tingkat obesitas dengan sangat baik.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Feature Selection, Hyperparameter Tuning, Klasifikasi Tingkat Obesitas, Model Selection, Random Forest Classifier
Subjects:	?? T58.5-58.64 ??
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	11 Nov 2024 09:30
Last Modified:	11 Nov 2024 09:30
URI:	https://kc.umn.ac.id/id/eprint/34257

Actions (login required)

View Item