<![CDATA[Klasifikasi tingkat obesitas merupakan aspek penting dalam bidang kesehatan untuk mendukung deteksi dini dan pengambilan keputusan yang tepat. Namun, dataset obesitas umumnya memiliki distribusi kelas yang tidak seimbang, yang dapat menyebabkan bias model terhadap kelas mayoritas dan menurunkan kemampuan dalam mengenali kelas minoritas. Penelitian ini bertujuan untuk menganalisis kinerja algoritma ensemble learning dalam klasifikasi tingkat obesitas serta mengevaluasi pengaruh teknik penyeimbangan data terhadap performa model. Algoritma yang digunakan meliputi Random Forest, Gradient Boosting, dan Light Gradient Boosting Machine (LightGBM). Untuk mengatasi ketidakseimbangan data, diterapkan metode Synthetic Minority Over-sampling Technique for Nominal and Continuous (SMOTENC). Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score, serta didukung oleh analisis confusion matrix dan kurva Receiver Operating Characteristic (ROC). Hasil penelitian menunjukkan bahwa model LightGBM dengan SMOTENC menghasilkan performa terbaik dengan nilai accuracy sebesar 96,45%, precision sebesar 96,12%, recall sebesar 95,98%, dan F1-score sebesar 96,05%. Penerapan SMOTENC terbukti meningkatkan nilai recall dan F1-score pada kelas minoritas, sehingga menghasilkan klasifikasi yang lebih seimbang dan mengurangi bias terhadap kelas mayoritas.]]>
Copyrights © 2026
