<![CDATA[- Prediksi pembakaran kalori berdasarkan data aktivitas fisik merupakan topik penting di bidang kesehatan dan olahraga. Fokus utama adalah kemampuan untuk mempersonalisasi program kebugaran dan memantau kondisi metabolisme secara lebih akurat. Namun, tantangan utama dalam pengembangan model prediksi terletak pada akurasi dan konsistensinya, mengingat keragaman jenis dan kompleksitas data. Penelitian ini mengembangkan pendekatan membangun model prediksi yang efektif dengan Optimasi Hyperparameter otomatis menggunakan Optuna. Langkah pertama adalah membuat Pipeline Preprocessing berbasis Tree Model untuk menangani data secara lebih baik. Selanjutnya, digunakan metode Stacking Ensemble dengan tiga model dasar berbasis Gradient Boosting: CatBoost, LightGBM, dan XGBoost. Model divalidasi dengan teknik K-Fold Cross Validation dan metrik Root Mean Squared Logarithmic Error (RMSLE). Hasilnya menunjukkan nilai RMSLE sebesar 0.00599 dan waktu prediksi 0.0091 detik. Selain itu, untuk menguji konsistensi model, diterapkan dua teknik Encoding fitur kategorikal, yaitu LabelEncoder dengan Standard Scaler dan OrdinalEncoder tanpa Standard Scaler. Perbedaan skala nilai yang dihasilkan dari Teknik ini menjadi alasan utama untuk melihat pengarunhya terhadap waktu dan konsistensi prediksi. Ditemukan model tetap menunjukkan konsistensi yang baik dilihat dari RMSLE dan waktu prediksi tidak jauh berbeda, ini mengindikasikan bahwa kombinasi Pipeline yang tepat, Model Ensemble, dan Optimasi Hyperparameter dapat menghasilkan sistem prediksi yang akurat dan stabil.]]>
Copyrights © 2025
