IMPLEMENTASI ALGORITMA XGBOOST dan SVM UNTUK MEMPREDIKSI TINGKAT OBESITAS PADA KALANGAN ORANG DEWASA

Aqila, Syandi Aulia (2024) IMPLEMENTASI ALGORITMA XGBOOST dan SVM UNTUK MEMPREDIKSI TINGKAT OBESITAS PADA KALANGAN ORANG DEWASA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

[img] Text (COVER-ABSTRAK)
COVER.pdf
Download (484kB)
[img] Text (BAB I)
BAB I.pdf
Download (296kB)
[img] Text (BAB II)
BAB II.pdf
Restricted to Registered users only
Download (796kB)
[img] Text (BAB III)
BAB III.pdf
Restricted to Registered users only
Download (162kB)
[img] Text (BAB IV)
BAB IV.pdf
Restricted to Registered users only
Download (708kB)
[img] Text (BAB V)
BAB V.pdf
Download (37kB)
[img] Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf
Restricted to Registered users only
Download (158kB)
[img] Archive (SOURCE CODE)
Sourcecode - 20.11.3545.zip
Restricted to Repository staff only
Download (1MB)
[img] Text (PUBLIKASI)
Publikasi.pdf
Restricted to Repository staff only
Download (654kB)

Abstract

Obesitas, yang ditentukan oleh Indeks Massa Tubuh (IMT), berdampak negatif terhadap kesehatan dan dipengaruhi oleh faktor-faktor seperti jenis kelamin, pendidikan, pekerjaan, status pernikahan, keturunan, aktivitas fisik, merokok, dan asupan kalori. Obesitas mempengaruhi semua kelompok usia, termasuk anak-anak, dan dapat menyebabkan masalah kesehatan serius seperti Sindrom Metabolik, penyakit kardiovaskular, dan diabetes. Penelitian ini menggunakan algoritma XGBoost dan dua SVM (RBF dan Linear) untuk memprediksi tingkat obesitas, yang dikategorikan menjadi tujuh tahap dari Berat Badan Kurang hingga Obesitas Tipe III. XGBoost, yang dikenal dengan akurasinya dan kemampuannya menangani dataset besar, dan SVM, yang diakui efektif dalam ruang berdimensi tinggi, dipilih untuk tugas ini. Penelitian ini bertujuan untuk mengevaluasi kinerja algoritma tersebut dalam hal akurasi, sensitivitas, dan spesifisitas. Dataset yang mencakup berbagai faktor kesehatan dan gaya hidup diolah dan dibagi untuk pelatihan dan pengujian model. XGBoost dan SVM (RBF dan Linear) kemudian diterapkan untuk memprediksi tingkat obesitas. Akurasi yang dicapai oleh XGBoost adalah 98%, sedangkan SVM RBF dan SVM Linear masing-masing mencapai 87% dan 95% akurasi. Metrik kinerja dibandingkan untuk menentukan model yang lebih efektif. Temuan penelitian ini diharapkan dapat meningkatkan strategi kesehatan masyarakat dengan menyediakan alat yang lebih akurat untuk prediksi dan pencegahan obesitas.

Item Type: Thesis (S1 - Sarjana)
Contributor:
Pembimbing
Kusnawi, Kusnawi
Uncontrolled Keywords: Prediksi Obesitas, XGBoost, Support Vector Machine (SVM), Pembelajaran Mesin, Kesehatan Masyarakat
Subjects: 000 - Komputer, Informasi dan Referensi Umum > 000 Ilmu komputer, ilmu pengetahuan dan sistem-sistem > 004 Pemrosesan data dan ilmu komputer
Divisions: Fakultas Ilmu Komputer > Informatika
Depositing User: RC Universitas AMIKOM Yogyakarta
Date Deposited: 29 Apr 2025 02:31
Last Modified: 29 Apr 2025 02:31
URI: http://eprints.amikom.ac.id/id/eprint/29766

Actions (login required)

View Item View Item