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.

	Text COVER.pdf Download (833kB)
	Text BAB 1.pdf Download (291kB)
	Text BAB 2.pdf Download (416kB)
	Text BAB 3.pdf Download (378kB)
	Text BAB 4.pdf Download (2MB)
	Text BAB 5.pdf Download (212kB)
	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:	Users 30 not found.
Date Deposited:	01 Jul 2025 07:12
Last Modified:	01 Jul 2025 07:13
URI:	https://repository.unas.ac.id/id/eprint/13220

Actions (login required)

View Item