<![CDATA[Pemantauan komposisi tubuh diperlukan untuk memberi gambaran kondisi tubuh yang lebih informatif dibandingkan BMI, terutama terkait persentase lemak dan massa otot. Pemeriksaan standar seperti Dual-Energy X-ray Absorptiometry (DXA) memiliki keterbatasan biaya dan aksesibilitas, sehingga diperlukan pendekatan estimasi berbasis antropometri yang lebih praktis. Penelitian ini bertujuan membandingkan performa CatBoost dan Elastic Net dalam mengestimasi komposisi tubuh menggunakan dataset National Health and Nutrition Examination Survey (NHANES) 2017–2018. Data yang digunakan berjumlah 3.551 data setelah proses cleaning, terdiri atas delapan fitur input antropometri dan dua target berbasis DXA. Metode penelitian mengikuti CRISP-DM, meliputi pemahaman data, persiapan data, pemodelan, evaluasi, dan deployment sederhana. Data dibagi menjadi 2.840 data latih dan 711 data uji, kemudian model dievaluasi menggunakan MAE, RMSE, dan R². Hasil pengujian menunjukkan CatBoost memperoleh performa terbaik dengan Mean MAE 1,588891, Mean RMSE 2,044905, dan Mean R² 0,862830, sedangkan Elastic Net memperoleh Mean MAE 1,888025, Mean RMSE 2,408882, dan Mean R² 0,819884. Selain itu, prototipe berbasis Streamlit dikembangkan untuk simulasi inferensi terhadap data antropometri baru. Hasil penelitian ini masih terbatas pada dataset NHANES 2017–2018 sehingga generalisasi ke populasi lain memerlukan validasi lanjutan]]>
Copyrights © 2026
