Isi Artikel Utama
Abstrak
Kenaikan tingkat obesitas global tiga kali lipat sejak 1975 mendorong pengembangan solusi teknologi berbasis prediksi berat badan untuk mitigasi risiko penyakit. Penelitian ini mengimplementasikan tiga model Decision Tree Regressor, XGBoost Regressor, dan Deep Learning. Memproyeksikan berat badan akhir berdasarkan variabel fisiologis (usia, jenis kelamin, BMR), nutrisi (asupan kalori, surplus/defisit), dan gaya hidup (aktivitas fisik, tidur, stres). Dataset multidimensi dari posyandu mencakup perhitungan TDEE dan estimasi BMR menggunakan Harris-Benedict Equation. Evaluasi dengan RMSE dan R² menunjukkan XGBoost sebagai model terbaik (RMSE: 5.65; R²: 0.974), mengungguli Decision Tree (RMSE: 10.68; R²: 0.908) dan Deep Learning (RMSE: 10.4; R²: 0.913). Kendala utama meliputi overfitting pada Decision Tree serta ketidakmampuan Deep Learning menangkap outlier akibat vanishing gradient. Analisis mengidentifikasi keseimbangan energi, representasi data ekstrem, dan regularisasi sebagai faktor penentu stabilitas model. Optimasi hyperparameter (learning rate, max_depth) dan augmentasi data direkomendasikan untuk meningkatkan generalisasi. Temuan ini menyediakan kerangka inovatif bagi teknologi kesehatan berbasis data, memperkuat peran kecerdasan buatan dalam intervensi kesehatan publik yang presisi. Implikasi praktisnya, penelitian ini mendorong adopsi model prediktif ter optimalkan dengan integrasi variabel multidimensi untuk akurasi tinggi, sekaligus menyoroti kebutuhan penanganan outlier dan validasi klinis lanjutan guna memastikan relevansi dalam skenario dunia nyata.
Kata Kunci
Rincian Artikel
Artikel ini berlisensi Creative Commons Attribution-NoDerivatives 4.0 International License.
References
- C. Chen, Y. Wang, N. Zhang, Y. Zhang, dan Z. Zhao, “A Review of Hyperspectral Image Super-Resolution Based on Deep Learning,” Remote Sens., vol. 15, no. 11, 2023, doi: 10.3390/rs15112853.
- Sopiatul Ulum, R. F. Alifa, P. Rizkika, dan C. Rozikin, “Perbandingan Performa Algoritma KNN dan SVM dalam Klasifikasi Kelayakan Air Minum,” Gener. J., vol. 7, no. 2, hal. 141–146, 2023, doi: 10.29407/gj.v7i2.20270.
- H. Maulidiya dan A. Jananto, “Asosiasi Data Mining Menggunakan Algoritma Apriori dan FP-Growth sebagai Dasar Pertimbangan Penentuan Paket Sembako,” Proceeding SENDIU 2020, vol. 6, hal. 36–42, 2020.
- K. L. Tan, C. P. Lee, dan K. M. Lim, “A Survey of Sentiment Analysis: Approaches, Datasets, and Future Research,” Appl. Sci., vol. 13, no. 7, 2023, doi: 10.3390/app13074550.
- D. Sitanggang dan S. Sherly, “Model Prediksi Obesitas dengan Menggunakan Support Vector Machine,” J. Sist. Inf. dan Ilmu Komput. Prima(JUSIKOM PRIMA), vol. 5, no. 2, hal. 172–175, 2022, doi: 10.34012/jurnalsisteminformasidanilmukomputer.v5i2.2443.
- R. W. Febriana dan E. Setyati, “Sistem Prediksi Risiko Stunting Menggunakan Bayesian Network Berbasis GIS,” Eksplor. Teknol. Enterp. dan Sist. Inf., vol. 1, no. 1, hal. 9–19, 2022, doi: 10.59039/ekstensi.v1i1.2.
- P. I. Ashuri, “MIND (Multimedia Artificial Intelligent Networking Database) Klasifikasi Penyakit Stunting Menggunakan Algoritma Multi-Layer Perceptron,” J. MIND J. | ISSN, vol. 9, no. 1, hal. 52–63, 2024, [Daring]. Tersedia pada: https://doi.org/10.26760/mindjournal.v9i1.52-63
- M. Birjali, M. Kasri, dan A. Beni-Hssane, “A comprehensive survey on sentiment analysis: Approaches, challenges and trends,” Knowledge-Based Syst., vol. 226, hal. 107134, 2021, doi: 10.1016/j.knosys.2021.107134.
- C. Azad, B. Bhushan, R. Sharma, A. Shankar, K. K. Singh, dan A. Khamparia, “Prediction model using SMOTE, genetic algorithm and decision tree (PMSGD) for classification of diabetes mellitus,” Multimed. Syst., vol. 28, no. 4, hal. 1289–1307, 2022, doi: 10.1007/s00530-021-00817-2.
- I. C. R. Drajana dan A. Bode, “Prediksi Status Penderita Stunting Pada Balita Provinsi Gorontalo Menggunakan K-Nearest Neighbor Berbasis Seleksi Fitur Chi Square,” J. Nas. Komputasi dan Teknol. Inf., vol. 5, no. 2, hal. 309–316, 2022, doi: 10.32672/jnkti.v5i2.4205.
- S. Das, M. S. Imtiaz, N. H. Neom, N. Siddique, dan H. Wang, “A hybrid approach for Bangla sign language recognition using deep transfer learning model with random forest classifier,” Expert Syst. Appl., vol. 213, no. PB, hal. 118914, 2023, doi: 10.1016/j.eswa.2022.118914.
- E. K. Sahin, “Comparative analysis of gradient boosting algorithms for landslide susceptibility mapping,” Geocarto Int., vol. 37, no. 9, hal. 2441–2465, 2022, doi: 10.1080/10106049.2020.1831623.
- Firdausia Ismi Nurhayati, B. Nugroho, dan I. Yuniar Purbasari, “Implementasi Metode Decision Tree Pada Identifikasi Status Gizi Balita,” J. Inform. dan Sist. Inf., vol. 2, no. 2, hal. 204–213, 2021, doi: 10.33005/jifosi.v2i2.326.
- A. Rohman dan S. Mujiyono, “Permodelan Prediksi Predikat Kelulusan Mahasiswa Menggunakan Decision Tree C4.5,” J. Prodi Tek. Inform. UNW "Multimatrix, vol. II, no. 2, hal. 1–5, 2021.
- M. A. Azim, M. K. Islam, M. M. Rahman, dan F. Jahan, “An effective feature extraction method for rice leaf disease classification,” Telkomnika (Telecommunication Comput. Electron. Control., vol. 19, no. 2, hal. 463–470, 2021, doi: 10.12928/TELKOMNIKA.v19i2.16488.
- J. Du, S. Yang, Y. Zeng, C. Ye, X. Chang, dan S. Wu, “Visualization obesity risk prediction system based on machine learning,” Sci. Rep., vol. 14, no. 1, hal. 22424, 2024, doi: 10.1038/s41598-024-73826-6.
- P. Savadjiev et al., “Demystification of AI-driven medical image interpretation: past, present and future,” Eur. Radiol., vol. 29, no. 3, hal. 1616–1624, 2019, doi: 10.1007/s00330-018-5674-x.
References
C. Chen, Y. Wang, N. Zhang, Y. Zhang, dan Z. Zhao, “A Review of Hyperspectral Image Super-Resolution Based on Deep Learning,” Remote Sens., vol. 15, no. 11, 2023, doi: 10.3390/rs15112853.
Sopiatul Ulum, R. F. Alifa, P. Rizkika, dan C. Rozikin, “Perbandingan Performa Algoritma KNN dan SVM dalam Klasifikasi Kelayakan Air Minum,” Gener. J., vol. 7, no. 2, hal. 141–146, 2023, doi: 10.29407/gj.v7i2.20270.
H. Maulidiya dan A. Jananto, “Asosiasi Data Mining Menggunakan Algoritma Apriori dan FP-Growth sebagai Dasar Pertimbangan Penentuan Paket Sembako,” Proceeding SENDIU 2020, vol. 6, hal. 36–42, 2020.
K. L. Tan, C. P. Lee, dan K. M. Lim, “A Survey of Sentiment Analysis: Approaches, Datasets, and Future Research,” Appl. Sci., vol. 13, no. 7, 2023, doi: 10.3390/app13074550.
D. Sitanggang dan S. Sherly, “Model Prediksi Obesitas dengan Menggunakan Support Vector Machine,” J. Sist. Inf. dan Ilmu Komput. Prima(JUSIKOM PRIMA), vol. 5, no. 2, hal. 172–175, 2022, doi: 10.34012/jurnalsisteminformasidanilmukomputer.v5i2.2443.
R. W. Febriana dan E. Setyati, “Sistem Prediksi Risiko Stunting Menggunakan Bayesian Network Berbasis GIS,” Eksplor. Teknol. Enterp. dan Sist. Inf., vol. 1, no. 1, hal. 9–19, 2022, doi: 10.59039/ekstensi.v1i1.2.
P. I. Ashuri, “MIND (Multimedia Artificial Intelligent Networking Database) Klasifikasi Penyakit Stunting Menggunakan Algoritma Multi-Layer Perceptron,” J. MIND J. | ISSN, vol. 9, no. 1, hal. 52–63, 2024, [Daring]. Tersedia pada: https://doi.org/10.26760/mindjournal.v9i1.52-63
M. Birjali, M. Kasri, dan A. Beni-Hssane, “A comprehensive survey on sentiment analysis: Approaches, challenges and trends,” Knowledge-Based Syst., vol. 226, hal. 107134, 2021, doi: 10.1016/j.knosys.2021.107134.
C. Azad, B. Bhushan, R. Sharma, A. Shankar, K. K. Singh, dan A. Khamparia, “Prediction model using SMOTE, genetic algorithm and decision tree (PMSGD) for classification of diabetes mellitus,” Multimed. Syst., vol. 28, no. 4, hal. 1289–1307, 2022, doi: 10.1007/s00530-021-00817-2.
I. C. R. Drajana dan A. Bode, “Prediksi Status Penderita Stunting Pada Balita Provinsi Gorontalo Menggunakan K-Nearest Neighbor Berbasis Seleksi Fitur Chi Square,” J. Nas. Komputasi dan Teknol. Inf., vol. 5, no. 2, hal. 309–316, 2022, doi: 10.32672/jnkti.v5i2.4205.
S. Das, M. S. Imtiaz, N. H. Neom, N. Siddique, dan H. Wang, “A hybrid approach for Bangla sign language recognition using deep transfer learning model with random forest classifier,” Expert Syst. Appl., vol. 213, no. PB, hal. 118914, 2023, doi: 10.1016/j.eswa.2022.118914.
E. K. Sahin, “Comparative analysis of gradient boosting algorithms for landslide susceptibility mapping,” Geocarto Int., vol. 37, no. 9, hal. 2441–2465, 2022, doi: 10.1080/10106049.2020.1831623.
Firdausia Ismi Nurhayati, B. Nugroho, dan I. Yuniar Purbasari, “Implementasi Metode Decision Tree Pada Identifikasi Status Gizi Balita,” J. Inform. dan Sist. Inf., vol. 2, no. 2, hal. 204–213, 2021, doi: 10.33005/jifosi.v2i2.326.
A. Rohman dan S. Mujiyono, “Permodelan Prediksi Predikat Kelulusan Mahasiswa Menggunakan Decision Tree C4.5,” J. Prodi Tek. Inform. UNW "Multimatrix, vol. II, no. 2, hal. 1–5, 2021.
M. A. Azim, M. K. Islam, M. M. Rahman, dan F. Jahan, “An effective feature extraction method for rice leaf disease classification,” Telkomnika (Telecommunication Comput. Electron. Control., vol. 19, no. 2, hal. 463–470, 2021, doi: 10.12928/TELKOMNIKA.v19i2.16488.
J. Du, S. Yang, Y. Zeng, C. Ye, X. Chang, dan S. Wu, “Visualization obesity risk prediction system based on machine learning,” Sci. Rep., vol. 14, no. 1, hal. 22424, 2024, doi: 10.1038/s41598-024-73826-6.
P. Savadjiev et al., “Demystification of AI-driven medical image interpretation: past, present and future,” Eur. Radiol., vol. 29, no. 3, hal. 1616–1624, 2019, doi: 10.1007/s00330-018-5674-x.