<![CDATA[Obesitas pada remaja merupakan masalah kesehatan masyarakat yang terus meningkat secara global, seiring dengan perubahan pola makan dan penurunan aktivitas fisik akibat urbanisasi dan digitalisasi gaya hidup. Penelitian ini bertujuan membangun model prediksi risiko obesitas berdasarkan data pola makan dan aktivitas fisik menggunakan algoritma Decision Tree. Data yang digunakan merupakan data sekunder yang diperoleh dari platform Kaggle, yaitu dataset Estimation of Obesity Levels Based on Eating Habits and Physical Condition, yang mencakup 2.111 responden dari Meksiko, Peru, dan Kolombia dengan rentang usia 14-61 tahun, meliputi variabel frekuensi konsumsi makanan tinggi kalori, konsumsi sayur dan buah, durasi aktivitas fisik, waktu penggunaan layar (screen time), pola transportasi, serta indeks massa tubuh (IMT) sebagai dasar penentuan tujuh kategori status obesitas. Model dibangun menggunakan algoritma Decision Tree (CART dengan kriteria Gini) melalui tahapan praproses data, pembagian data latih dan uji, pembentukan pohon keputusan, serta evaluasi kinerja model menggunakan metrik akurasi, presisi, recall, F1-score, dan confusion matrix. Hasil penelitian menunjukkan bahwa algoritma Decision Tree mampu mengidentifikasi pola hubungan antar variabel pola makan dan aktivitas fisik yang paling berkontribusi terhadap risiko obesitas, serta menghasilkan aturan klasifikasi yang mudah diinterpretasikan bagi tenaga kesehatan maupun pembuat kebijakan. Perlu dicatat bahwa variabel BMI mendominasi kontribusi model (feature importance 80,20%), sehingga akurasi tinggi yang diperoleh sebagian besar mencerminkan hubungan matematis BMI terhadap label, bukan murni kekuatan prediktif variabel perilaku secara independen; evaluasi kinerja juga masih berdasarkan satu kali pembagian data latih-uji tanpa validasi silang (k-fold). Perlu digarisbawahi pula bahwa dataset yang digunakan mencakup responden usia 14-61 tahun tanpa penyaringan khusus ke rentang usia remaja (13-19 tahun), sehingga label "remaja" pada judul penelitian ini merujuk pada populasi sasaran (target application) di masa depan, bukan pada komposisi data yang dianalisis saat ini. Model ini diharapkan dapat menjadi dasar pengembangan alat bantu skrining dini risiko obesitas, yang perlu divalidasi lebih lanjut menggunakan data populasi remaja Indonesia sebelum diterapkan secara lokal. ]]>
Copyrights © 2026
