<![CDATA[Obesitas pada anak merupakan masalah kesehatan global yang mengalami peningkatan prevalensi signifikan di Indonesia dengan proyeksi mencapai 254 juta kasus pada tahun 2030. Penelitian ini bertujuan mengoptimasi model prediksi risiko obesitas anak menggunakan Particle Swarm Optimization (PSO) pada algoritma Decision Tree dan Random Forest untuk meningkatkan akurasi klasifikasi status gizi anak berdasarkan Permenkes No. 2 Tahun 2020. Metode penelitian menggunakan pendekatan ekperimental dengan dataset 64.506 anak dengan rentang usia 0-5 tahun dari Dinas Kesehatan Provinsi Gorontalo tahun 2024 yang kemudian di balancing menjadi 3.837 sampel. Optimasi PSO dilakukan dengan 40 partikel dan 80 iterasi untuk mencari hyperparameter optimal pada kedua algoritma. Hasil penelitian menunjukkan Decision Tree yang dioptimasi PSO menghasilkan akurasi terbaik sebesar 91.32% pada test set, meningkat 4.51% dari baseline, dengan precision 0.95, recall 0.95 dan F1-score 0.95. Random Forest teroptimasi mencapai akurasi 84.2%, meningkat 2.60% dari baseline. Model Decision Tree + PSO menunjukkan performa superior pada klasifikasi obesitas dengan precision 0.98 dan recall 0.96, serta berhasil mengurangi overfitting dari gap 3.47% menjadi 2.78%. model yang dikembangkan dapat diimplementasikan sebagai alat bantu deteksi dini risiko obesitas anak dalam layanan kesehatan masyarakat untuk mendukung pencapaian Indonesia Emas 2045.]]>
Copyrights © 2025
