Optimasi Klasifikasi Tingkat Obesitas Pada Remaja Berdasarkan Pola Hidup Menggunakan SVM Dengan Teknik Smote

Abstract

Obesitas merupakan kondisi akibat ketidakseimbangan antara asupan dan pengeluaran energi yang ditandai dengan penumpukan lemak berlebih dalam tubuh. Obesitas dipengaruhi oleh empat factor seperti genetik, ekonomi, kurang aktivitas, dan pola makan. tujuan penelitian ini Menganalisis efektivitas metode Smote dalam meningkatkan ketepatan klasifikasi pada metode Support Vector Machine serta Membandingkan akurasi dari metode Support Vector Machine dengan teknik Smote dan non-Smote pada data tingkat obesitas remaja. dataset yang digunakan berasal dari situs Kaggle yang berjumlah 2111 record. Evaluasi model menggunakan Confusion Matrix dengan pengukuran akurasi, precision, recall, F1-Score dan menggunakan splitting data 80:20. Hasil penelitian menunjukan bahwa model SVM menggunakan Smote memberikan performa bagus dengan akurasi 88% SVM Linier, 82% SVM RBF, dan 93% SVM Polynomial sedangkan model SVM tanpa Smote mendapatkan akurasi 88% SVM Linier, 79% SVM RBF dan 91% SVM Polynomial. Model klasifikasi terbaik kemudian diimplementasikan ke dalam aplikasi web berbasis Streamlit untuk mempermudah proses prediksi tingkat obesitas secara otomatis, sehingga dapat membantu meningkatkan kesadaran terhadap potensi resiko obesitas.