PENERAPAN METODE ANOVA F CLASSIF DALAM PERBANDINGAN ALGORITMA RANDOM FOREST DAN GRADIENT BOOSTING MACHINE UNTUK PREDIKSI LEVEL OBESITAS

Rosulli, Muammar (2025) PENERAPAN METODE ANOVA F CLASSIF DALAM PERBANDINGAN ALGORITMA RANDOM FOREST DAN GRADIENT BOOSTING MACHINE UNTUK PREDIKSI LEVEL OBESITAS. Bachelor thesis, Universitas Nasional.

[img] Text
COVER.pdf
Download (833kB)
[img] Text
BAB 1.pdf
Download (291kB)
[img] Text
BAB 2.pdf
Download (416kB)
[img] Text
BAB 3.pdf
Download (378kB)
[img] Text
BAB 4.pdf
Download (2MB)
[img] Text
BAB 5.pdf
Download (212kB)
[img] Text
LAMPIRAN .pdf
Download (2MB)

Abstract

Obesitas merupakan masalah kesehatan global yang terus meningkat dan dapat menyebabkan berbagai penyakit kronis. Dalam penelitian ini, dilakukan perbandingan performa algoritma Random Forest (RF) dan Gradient Boosting Machine (GBM) dalam memprediksi tingkat obesitas berdasarkan dataset yang diperoleh dari Kaggle. Untuk meningkatkan akurasi model, digunakan metode Feature Selection SelectKBest dengan ANOVA F-Classif guna memilih fitur yang paling berpengaruh terhadap prediksi obesitas. Hasil penelitian menunjukkan bahwa algoritma GBM memiliki performa lebih baik dibandingkan RF, dengan akurasi 97,16%, sementara RF hanya mencapai 73,52%. Evaluasi menggunakan confusion matrix juga menunjukkan bahwa GBM memiliki tingkat kesalahan klasifikasi yang lebih rendah dibandingkan RF. Dengan demikian, GBM lebih efektif dalam memprediksi tingkat obesitas dan dapat digunakan sebagai dasar dalam pengembangan aplikasi prediksi obesitas berbasis machine learning. Penelitian ini diharapkan dapat berkontribusi dalam pemanfaatan teknologi kecerdasan buatan untuk meningkatkan kesadaran kesehatan masyarakat dan membantu dalam deteksi dini obesitas.

Item Type: Thesis (Bachelor)
Subjects: Q Science > Q Science (General)
Q Science > QC Physics
Divisions: Skripsi > Fakultas Teknologi Komunikasi dan Informatika
Depositing User: Miss Rahma Rahmawati
Date Deposited: 01 Jul 2025 07:12
Last Modified: 01 Jul 2025 07:13
URI: http://repository.unas.ac.id/id/eprint/13220

Actions (login required)

View Item View Item
Unas Repository is powered by EPrints 3 which is developed by the School of Electronics and Computer Science at the University of Southampton. More information and software credits.