Analisis Perbandingan Model Decision Tree dan K-Nearest Neighbors (KNN) untuk Estimasi Body Fat Percentage

Muhammad Ali fikri (Universitas YPPI Rembang)
Sinta Khoirinnisa (Universitas YPPI Rembang)
Siti Ulya Ainur Rohmah (Universitas YPPI Rembang)
Wahyu Prastyo Hariyadi (Universitas YPPI Rembang)
Mohammad Nur Fawaiq (Universitas YPPI Rembang)

JNANALOKA
Vol 7 No 01 (2026): Vol. 07 No. 01 Maret Tahun 2026

Persentase lemak tubuh atau Body Fat Percentage (BFP) merupakan parameter penting untuk mengevaluasi kondisi kesehatan dan tingkat obesitas. Namun, pengukuran BFP secara langsung membutuhkan perangkat khusus seperti BodPod atau DEXA yang tidak selalu tersedia dan memerlukan biaya tinggi. Oleh karena itu, prediksi BFP berbasis machine learning menjadi alternatif yang lebih efisien. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma regresi, yaitu Decision Tree Regression dan K-Nearest Neighbors (KNN) Regression, dalam memprediksi BFP berdasarkan variabel antropometri. Dataset yang digunakan terdiri dari 252 sampel dengan 14 fitur seperti density, umur, berat badan, tinggi badan, lingkar perut, pinggul, dan lainnya. Evaluasi model menggunakan metrik MAE, MSE, RMSE, dan R². Hasil penelitian menunjukkan bahwa Decision Tree memiliki performa lebih baik dengan MAE 0,5627, RMSE 1,4049, dan R² sebesar 0,9575, sedangkan KNN menghasilkan MAE 2,4937, RMSE 3,0547, dan R² sebesar 0,7994. Dengan demikian, Decision Tree lebih direkomendasikan untuk estimasi BFP menggunakan data antropometri.