<![CDATA[Penelitian ini membangun model klasifikasi tingkat obesitas berbasis data antropometri menggunakan Support Vector Machine (SVM) dan K-Nearest Neighbor (KNN). Data berasal dari pasien Penyakit Tidak Menular (PTM) pada Puskesmas Kota Sukabumi. Setelah pembersihan data, digunakan 2.662 data dengan variabel usia, jenis kelamin, berat badan, dan tinggi badan. Indeks Massa Tubuh (IMT) dihitung dari berat badan dan tinggi badan untuk membentuk label kelas berdasarkan klasifikasi IMT Asia-Pasifik, yaitu underweight, normal, overweight, obesitas I, dan obesitas II, tetapi tidak digunakan sebagai fitur input model. Tahapan penelitian mengikuti CRISP-DM dengan pipeline SMOTE, StandardScaler, SVM kernel RBF, dan KNN. Hasil evaluasi menunjukkan SVM memperoleh akurasi 97,75%, sedangkan KNN memperoleh 91,93%. Cross validation menghasilkan rata-rata akurasi 98,31% pada SVM dan 93,50% pada KNN. Penambahan usia dan jenis kelamin meningkatkan akurasi SVM dari 97,00% menjadi 97,75%. Hasil ini menunjukkan bahwa SVM lebih unggul untuk klasifikasi tingkat obesitas berbasis data antropometri.]]>
Copyrights © 2026
