ANALISIS PERBANDINGAN KOLMOGORV- ARNOLD NETWORKS (KANS) DAN RANDOM FOREST PADA KLASIFIKASI TINGKAT OBESITAS BERDASARKAN KEBIASAAN MAKAN DAN KONDISI FISIK

Oktaviani, Aisyah Nur (2026) ANALISIS PERBANDINGAN KOLMOGORV- ARNOLD NETWORKS (KANS) DAN RANDOM FOREST PADA KLASIFIKASI TINGKAT OBESITAS BERDASARKAN KEBIASAAN MAKAN DAN KONDISI FISIK. Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (1MB)
	Text BAB I.pdf Download (419kB)
	Text BAB II.pdf Download (719kB)
	Text BAB III.pdf Download (810kB)
	Text BAB IV.pdf Download (2MB)
	Text BAB V.pdf Download (366kB)
	Text LAMPIRAN.pdf Download (4MB)

Abstract

Obesitas merupakan masalah Kesehatan global dengan prevalensi yang terus meningkat. Di Indonesia, lebih dari 23% penduduk dewasa mengalami obesitas. Penelitian ini bertujuan untuk mengembangkan dan membandingkan model klasifikasi tingkat obesitas menggunakan Kolmogorov-Arnold Networks (KANs) dan Random Forest berdasarkan data kebiasaan makan dan kondisi fisik. Dataset dari UCI Machine Learning Repository dengan 2.111 sampel dan 17 fitur digunakan untuk mengklasifikasikan tujuh kategori obesitas. Model KANs dibangun dengan arsitektur width = [23, 256, 128, 64, 7], grid = 20, k = 5, dan dilatih selama 100 epoch. Random Forest dikonfigurasi dengan 200 pohon keputusan. Hasil menunjukkan KANs mencapai akurasi 0,94 pada data uji dengan F1-score 0,94, sementara Random Forest mencapai akurasi 0,92 dengan F1-score
0,93. Kedua model menunjukkan performa sangat baik pada kelas obesitas berat, namun mengalami kesulitan pada kelas yang berdekatan secara klinis. Sistem aplikasi berbasis web diimplementasikan menggunakan Streamlit dengan antarmuka dua bahasa dan visualisasi interaktif. KANs terbukti kompetitif sebagai alternatif algoritma ensemble konvensional, meskipun keunggulannya tidak signifikan. Penelitian lanjutan disarankan untuk optimasi hyperparameter dan
penggunaan dataset lokal Indonesia.

Item Type:	Thesis (Diploma)
Subjects:	T Technology > T Technology (General) T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Sistem Informasi
Depositing User:	Delvy Aplirizani -
Date Deposited:	02 Jun 2026 07:46
Last Modified:	02 Jun 2026 07:46
URI:	https://repository.unas.ac.id/id/eprint/16348

Actions (login required)

View Item