<![CDATA[Penelitian ini bertujuan untuk menganalisis dan membandingkan kinerja tiga algoritma Machine Learning, yaitu Linear Regression, K-Nearest Neighbor, dan Gaussian Naive Bayes dalam memprediksi kategori Indeks Massa Tubuh (BMI) berdasarkan data antropometri. Dataset yang digunakan terdiri dari 111 sampel yang diperoleh dari repositori Zenodo dan diproses melalui tahapan pra-pemrosesan, standarisasi fitur numerik, serta evaluasi menggunakan metode Stratified K-Fold Cross Validation. Hasil pengujian menunjukkan adanya perbedaan karakteristik pada masing-masing algoritma. Gaussian Naive Bayes memberikan akurasi tertinggi dalam klasifikasi kategori BMI sebesar 75,74%, sedangkan Linear Regression menghasilkan prediksi numerik paling presisi dengan nilai Mean Absolute Error 0,362 kg/m². K-Nearest Neighbor memiliki akurasi lebih rendah pada dataset kecil, namun pada uji data pengguna baru justru memberikan hasil prediksi BMI yang paling mendekati nilai aktual. Temuan ini menegaskan bahwa tidak ada satu algoritma yang unggul di semua aspek, melainkan setiap metode memiliki kelebihan sesuai konteks penggunaannya. Oleh karena itu, pemilihan algoritma sebaiknya mempertimbangkan tujuan aplikasi, apakah menekankan ketepatan angka BMI atau klasifikasi kategori secara cepat dan efisien.]]>
Copyrights © 2026
