<![CDATA[Edukasi masyarakat tentang gejala dan konsekuensi obesitas adalah salah satu dari banyak cara yang dapat dilakukan untuk mencegah obesitas. Menyediakan sistem sederhana yang dapat digunakan oleh masyarakat untuk melakukan cek secara mandiri mengenai kondisi kesehatannya memungkinkan mereka untuk melanjutkan pemeriksaan ke dokter jika hasilnya menunjukkan gejala penyakit seperti obesitas. Ini adalah metode edukasi. Algoritma pembelajaran mesin terawasi dapat digunakan untuk mewujudkan sistem tersebut, seperti menggunakan algoritma klasifikasi untuk data yang digunakan sebagai basis pelatihan. Tujuan penelitian ini adalah untuk menerapkan algoritma Decision Tree untuk mengklasifikasikan masalah tipe berat tubuh. Berbeda dengan penelitian terdahulu yang berfokus pada prediksi klinis, kebaruan penelitian ini terletak pada perancangan model yang dioptimalkan khusus untuk instrumen edukasi mandiri masyarakat awam. Pada penelitian ini metode yang digunakan adalah model Decision Tree. Decision Tree adalah sebuah metode klasifikasi dan prediksi yang menggunakan struktur pohon untuk mengambil keputusan. Setiap simpul mewakili keputusan berdasarkan suatu fitur dan cabangnya menggambarkan kemungkinan hasil atau keputusan selanjutnya. Terdapat 6 proses pembangunan model Decision Tree yaitu: (1) Import Data, (2) Cleaning Data, (3) Exploratory Data Analysis, (4) Data Exploration, (5) Modeling & Evaluation, (6) Testing. Hasil perhitungan akurasi dari model Decision Tree yang diterapkan adalah 81.63%, yang menandakan bahwa metode ini dapat diandalkan untuk membantu masyarakat dalam mengidentifikasi status obesitas secara mandiri. Dengan demikian, penggunaan algoritma ini tidak hanya memberikan informasi mengenai klasifikasi berat badan tetapi juga berfungsi sebagai alat edukasi yang penting untuk meningkatkan kesadaran masyarakat tentang risiko kesehatan terkait obesitas.]]>
