<![CDATA[Abstrak Obesitas merupakan salah satu masalah kesehatan global yang terus mengalami peningkatan dan berkontribusi terhadap berbagai penyakit tidak menular, seperti diabetes melitus, hipertensi, dan penyakit kardiovaskular. Faktor gaya hidup, pola konsumsi makanan, serta aktivitas fisik memiliki peran penting dalam menentukan tingkat obesitas seseorang. Perkembangan teknologi machine learning memungkinkan pengembangan model prediksi yang dapat membantu mengidentifikasi tingkat obesitas berdasarkan karakteristik individu. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Decision Tree dan Random Forest dalam klasifikasi tingkat obesitas berdasarkan faktor gaya hidup dan kondisi fisik. Dataset yang digunakan terdiri atas 2.111 data dengan 17 atribut yang mencakup informasi demografi, kebiasaan makan, aktivitas fisik, konsumsi air, penggunaan perangkat teknologi, serta riwayat keluarga. Tahapan penelitian meliputi prapemrosesan data, transformasi atribut kategorikal, pembagian data latih dan data uji, pelatihan model, serta evaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Random Forest memperoleh performa terbaik dengan nilai accuracy sebesar 95,27%, sedangkan Decision Tree memperoleh accuracy sebesar 91,73%. Selain itu, analisis feature importance menunjukkan bahwa atribut Weight, Height, Age, FCVC, dan Gender merupakan faktor yang memberikan kontribusi terbesar dalam proses klasifikasi tingkat obesitas. Hasil penelitian menunjukkan bahwa pendekatan ensemble learning pada Random Forest mampu meningkatkan kualitas klasifikasi dibandingkan model pohon keputusan tunggal.]]>
Copyrights © 2026
