Penerapan Algoritma C4.5 Untuk Prediksi Faktor Risiko Obesitas Pada Penduduk Dewasa
DOI:
https://doi.org/10.70052/jka.v2i3.341Keywords:
Obesitas, Algoritma C4.5, Pohon Keputusan, Faktor Risiko, Prediksi KesehatanAbstract
Obesitas merupakan masalah kesehatan yang terus meningkat dan mempengaruhi kualitas hidup jutaan orang di seluruh dunia. Tujuan dari penelitian ini adalah untuk mengidentifikasi faktor-faktor risiko yang berkontribusi terhadap obesitas pada penduduk dewasa di Indonesia dengan menggunakan algoritma C4.5. Algoritma C4.5 adalah metode pembelajaran mesin yang menghasilkan pohon keputusan berdasarkan atribut-atribut yang relevan. Dalam penelitian ini, data demografis, gaya hidup, dan faktor kesehatan dikumpulkan dari 1000 responden dewasa melalui survei dan pemeriksaan kesehatan. Atribut yang dianalisis meliputi usia, jenis kelamin, indeks massa tubuh (IMT), tingkat aktivitas fisik, pola makan, dan riwayat kesehatan keluarga. Setelah proses pelatihan dan pengujian model, pohon keputusan yang dihasilkan menunjukkan bahwa pola makan yang buruk dan rendahnya tingkat aktivitas fisik merupakan faktor utama yang berkontribusi terhadap obesitas. Selain itu, faktor-faktor seperti usia dan riwayat kesehatan keluarga juga memiliki pengaruh signifikan. Model C4.5 yang dihasilkan memiliki akurasi prediksi sebesar 85%, menunjukkan potensi algoritma ini dalam mengidentifikasi individu yang berisiko tinggi mengalami obesitas. Hasil penelitian ini diharapkan dapat memberikan wawasan bagi pembuat kebijakan dan tenaga kesehatan untuk merancang intervensi yang lebih efektif dalam pencegahan dan penanganan obesitas. Penelitian ini juga menyarankan penerapan lebih lanjut pada populasi yang lebih luas untuk meningkatkan generalisasi hasil.
Obesity is a health problem that continues to increase and affects the quality of life of millions of people around the world. The aim of this research is to identify risk factors that contribute to obesity in the adult population in Indonesia using the C4.5 algorithm. The C4.5 algorithm is a machine learning method that produces a decision tree based on relevant attributes. In this study, demographic data, lifestyle and health factors were collected from 1000 adult respondents through surveys and health examinations. Attributes analyzed include age, gender, body mass index (BMI), physical activity level, diet, and family health history. After the process of training and testing the model, the resulting decision tree shows that poor diet and low levels of physical activity are the main factors contributing to obesity. Additionally, factors such as age and family health history also have a significant influence. The resulting C4.5 model had a prediction accuracy of 85%, demonstrating the potential of this algorithm in identifying individuals at high risk of obesity. It is hoped that the results of this research will provide insight for policy makers and health workers to design more effective interventions in preventing and treating obesity. This study also suggests further application to broader populations to increase the generalizability of the results.
References
A. A. Susilowati and K. N. Waskita, “Pengaruh Pola Makan Terhadap Potensi Resiko Penyakit Diabetes Melitus,” Jurnal Mandala Pharmacon Indonesia, vol. 5, no. 01, pp. 43–47, 2019, doi: 10.35311/jmpi.v5i01.43.
N. Nuradha, H. Hazriani, and Y. Yuyun, “Penerapan Algoritma C4. 5 dalam Mengidentifikasi Karakteristik Pasien Beresiko Diabetes,” Prosiding SISFOTEK, pp. 325–331, 2023.
Y. F. Azizi, “Klasifikasi Status Gizi Menggunakan Perhitungan Body Mass Index Dengan Metode Algoritma C4.5 Pada Masyarakat di Kota Yogyakarta,” Universitas Pembangunan Negeri Veteran Yogyakarta, vol. 01, pp. 1–7, 2021.
E. Karyadiputra and A. Setiawan, “Penerapan Data Mining Untuk Prediksi Awal Kemungkinan Terindikasi Diabetes,” Teknosains: Media Informasi Sains dan Teknologi, vol. 16, no. 2, pp. 221–232, 2022, doi: 10.24252/teknosains.v16i2.28257.
N. Y. L. Gaol, “Prediksi Mahasiswa Berpotensi Non Aktif Menggunakan Data Mining dalam Decision Tree dan Algoritma C4.5,” Jurnal Informasi & Teknologi, vol. 2, pp. 23–29, 2020, doi: 10.37034/jidt.v2i1.22.
I. Lishania, R. Goejantoro, and Y. N. Nasution, “Perbandingan Klasifikasi Metode Naive Bayes dan Metode Decision Tree Algoritma (J48) pada Pasien Penderita Penyakit Stroke di RSUD Abdul Wahab Sjahranie Samarinda,” Jurnal Eksponensial, vol. 10, no. 2, pp. 135–142, 2019.
I. Maryani and I. Irmayansyah, “Penerapan Algoritma Naïve Bayes Untuk Penentuan Diagnosa Obesitas Pada Peserta Sosialisasi Deteksi Dini Penyakit Tidak Menular (PTM),” TeknoIS : Jurnal Ilmiah Teknologi Informasi dan Sains, vol. 13, no. 2, pp. 234–248, 2023, doi: 10.36350/jbs.v13i2.200.
Kementrian Kesehatan Republik Indonesia, “Laporan Riskesdas 2018 Nasional,” 2018.
J. Yulinda, R. S. Lubis, and R. Aprilia, “… Metode Classification Analysis Regression Trees dan Iterative Dichotomizer 3 Dalam Mengklasifikasikan Pasien Hipertensi Di Rumah Sakit Umum Daerah Dr …,” Justek: Jurnal Sains dan …, vol. 6, no. 4, pp. 482–492, 2023.
A. Apriansyah, A. Fauzi, and S. Faisal, “Penerapan Fuzzy Logic Untuk Menentukan Indeks Massa Tubuh (IMT) Berbasis Internet of Things (IoT),” Jurnal Media Informatika Budidarma, vol. 7, no. 1, pp. 292–299, 2023, doi: 10.30865/mib.v7i1.5470.
S. Kalimah, “Klasifikasi Penyakit Diabetes Menggunakan Metode Decision Tree dan Random Forest,” Repository Universitas Sriwijaya, no. 8.5.2017, pp. 2003–2005, 2022.
A. T. Nurani, A. Setiawan, and B. Susanto, “Perbandingan Kinerja Regresi Decision Tree dan Regresi Linear Berganda untuk Prediksi BMI pada Dataset Asthma,” Jurnal Sains dan Edukasi Sains, vol. 6, no. 1, pp. 34–43, 2023, doi: 10.24246/juses.v6i1p34-43.
R. Syukrilah, “Penerapan Algoritma Decision Tree dan SMOTE untuk Klasifikasi Imbalanced Dataset pada Pasien Hipertensi untuk Prediksi Plan Perawatan Pasien,” Prosiding SISFOTEK, vol. 4, no. 1, pp. 88–100, 2023.
Hamsir Saleh, “Analisa Faktor Penyebab Stunting Menggunakan Algoritma C4.5,” 2020.
F. Faisal Nugraha, I. Sunandar, and C. Juliane, “Penerapan Data Mining Dengan Metode Klasifikasi Menggunakan Algoritma C4.5,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 9, no. 4, 2022, [Online]. Available: http://jurnal.mdp.ac.id
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Arief Bayu Yamantri, Aris Ahmad Rifa’i (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
