Klasifikasi Tipe Berat Badan Obesitas Menggunakan Metode Decision Tree
DOI:
https://doi.org/10.52436/1.jpti.2021Kata Kunci:
Klasifikasi, Obesitas, Pembelajaran Mesin, Pohon KeputusanAbstrak
Edukasi masyarakat tentang gejala dan konsekuensi obesitas adalah salah satu dari banyak cara yang dapat dilakukan untuk mencegah obesitas. Menyediakan sistem sederhana yang dapat digunakan oleh masyarakat untuk melakukan cek secara mandiri mengenai kondisi kesehatannya memungkinkan mereka untuk melanjutkan pemeriksaan ke dokter jika hasilnya menunjukkan gejala penyakit seperti obesitas. Ini adalah metode edukasi. Algoritma pembelajaran mesin terawasi dapat digunakan untuk mewujudkan sistem tersebut, seperti menggunakan algoritma klasifikasi untuk data yang digunakan sebagai basis pelatihan. Tujuan penelitian ini adalah untuk menerapkan algoritma Decision Tree untuk mengklasifikasikan masalah tipe berat tubuh. Berbeda dengan penelitian terdahulu yang berfokus pada prediksi klinis, kebaruan penelitian ini terletak pada perancangan model yang dioptimalkan khusus untuk instrumen edukasi mandiri masyarakat awam. Pada penelitian ini metode yang digunakan adalah model Decision Tree. Decision Tree adalah sebuah metode klasifikasi dan prediksi yang menggunakan struktur pohon untuk mengambil keputusan. Setiap simpul mewakili keputusan berdasarkan suatu fitur dan cabangnya menggambarkan kemungkinan hasil atau keputusan selanjutnya. Terdapat 6 proses pembangunan model Decision Tree yaitu: (1) Import Data, (2) Cleaning Data, (3) Exploratory Data Analysis, (4) Data Exploration, (5) Modeling & Evaluation, (6) Testing. Hasil perhitungan akurasi dari model Decision Tree yang diterapkan adalah 81.63%, yang menandakan bahwa metode ini dapat diandalkan untuk membantu masyarakat dalam mengidentifikasi status obesitas secara mandiri. Dengan demikian, penggunaan algoritma ini tidak hanya memberikan informasi mengenai klasifikasi berat badan tetapi juga berfungsi sebagai alat edukasi yang penting untuk meningkatkan kesadaran masyarakat tentang risiko kesehatan terkait obesitas.
Unduhan
Referensi
M. Blüher, “An overview of obesity?related complications: The epidemiological evidence linking body weight and other markers of obesity to adverse health outcomes,” Diabetes Obes. Metab., vol. 27, no. S2, pp. 3–19, Apr. 2025, doi: 10.1111/dom.16263
Azizah, K. N. “Penyebab Fajri Pria Obesitas 300 Kg Meninggal Dunia, Begini Penjelasan RSCM.” Internet: https://health.detik.com/berita-detikhealth/d-6788296/penyebab-fajri-pria-obesitas-300-kg-meninggal-dunia-begini-penjelasan-rscm, Jun. 23, 2023 [Feb. 20, 2026].
Phinandita, V. “Penyebab Pria Obesitas BB 300 Kg Meninggal di RSCM: Syok Sepsis-Gagal Organ” Internet: https://health.detik.com/berita-detikhealth/d-6789833/penyebab-pria-obesitas-bb-300-kg-meninggal-di-rscm-syok-sepsis-gagal-organ, Jun. 24, 2023 [Feb. 20, 2026].
Santika. “Belum Ada Penurunan Tren Kematian Akibat Obesitas Selama 20 Tahun Terakhir di Indonesia” Internet: https://databoks.katadata.co.id/datapublish/2023/04/18/belum-ada-penurunan-tren-kematian-akibat-obesitas-selama-20-tahun-terakhir-di-indonesia, Mar. 19, 2023 [Feb. 19, 2026].
C. Boutari and C. S. Mantzoros, “A 2022 update on the epidemiology of obesity and a call to action: as its twin COVID-19 pandemic appears to be receding, the obesity and dysmetabolism pandemic continues to rage on,” Metabolism, vol. 133, p. 155217, Aug. 2022, doi: 10.1016/j.metabol.2022.155217
R. J. F. Loos and G. S. H. Yeo, “The genetics of obesity: from discovery to biology,” Nat. Rev. Genet., vol. 23, no. 2, pp. 120–133, Feb. 2022, doi: 10.1038/s41576-021-00414-z
L. Dakdouk, J. B. Daher, M. Skafi, and M. Ayache, “Machine Learning and Deep Learning Approaches for Obesity Prediction: a Systematic Review,” in 2025 Eighth International Conference on Advances in Biomedical Engineering (ICABME), Debbieh, Lebanon: IEEE, Oct. 2025, pp. 01–10. doi: 10.1109/ICABME66883.2025.11211622
F. Musa, F. Basaky, and O. E.O, “Obesity prediction using machine learning techniques,” J. Appl. Artif. Intell., vol. 3, no. 1, pp. 24–33, Jun. 2022, doi: 10.48185/jaai.v3i1.470
Department of Civil and Architectural Engineering, University of Miami, Coral Gables, FL, USA, N. Khodadadi, Electronics and Communications Engineering Department, Faculty of Engineering, Delta University for Science and Technology, Gamasa City 11152, Egypt, M. Saber, Department of System Programming, South Ural State University, 454080 Chelyabinsk, Russia, and M. Abotaleb, “A Data-Driven Approach for Obesity Classification using Machine Learning,” J. Artif. Intell. Metaheuristics, vol. 3, no. 2, pp. 08–17, 2023, doi: 10.54216/JAIM.030201
S. A. G. Ali, H. R. D. AL-Fayyadh, S. H. Mohammed, and S. R. Ahmed, “A Descriptive Statistical Analysis of Overweight and Obesity Using Big Data,” in 2022 International Congress on Human-Computer Interaction, Optimization and Robotic Applications (HORA), Ankara, Turkey: IEEE, Jun. 2022, pp. 1–6. doi: 10.1109/HORA55278.2022.9800098
T. Hidayatulloh and L. Yusuf, “KLASIFIKASI TIPE BERAT TUBUH MENGGUNAKAN METODE SUPPORT VECTOR MACHINE,” INTI Nusa Mandiri, vol. 18, no. 1, pp. 71–77, Aug. 2023, doi: 10.33480/inti.v18i1.4254
S. Ali Alsareii et al., “Machine-Learning-Enabled Obesity Level Prediction Through Electronic Health Records,” Comput. Syst. Sci. Eng., vol. 46, no. 3, pp. 3715–3728, 2023, doi: 10.32604/csse.2023.035687
J. Gong, “Decision Trees in Business and Finance: A Review of Applications, Challenges, and Future Directions,” Adv. Econ. Manag. Res., vol. 15, no. 1, p. 683, Nov. 2025, doi: 10.56028/aemr.15.1.683.2025
A. Muhammad Sani, A. Salihu BenMusa, and M. Haladu, “In-Depth Study of Decision Tree Model,” Int. J. Sci. Res. IJSR, vol. 10, no. 11, pp. 705–709, Nov. 2021, doi: 10.21275/MR211102051237
Ibnu Daqiqil ID, Machine Learning: Teori, Studi Kasus dan Implementasi Menggunakan Python, 1st ed. Riau: UR Press, 2021. doi: 10.5281/zenodo.5113507
