KLASIFIKASI LEVEL OBESITAS MENGGUNAKAN DECISION TREE C45 DALAM MENENTUKAN AKURASI PADA KRITERIA INFORMATION GAIN, GAIN RATIO, GINI INDEX
Abstract
Abstrak : Obesitas adalah penumpukan lemak ekstra yang disebabkan oleh ketidakcocokan jangka panjang antara asupan kalori dan pengeluaran energi. Menurut indeks RPJMN 2015-2019, 13,5 persen orang dewasa di Indonesia di atas usia 18 tahun kelebihan berat badan, 28,7 persen mengalami obesitas (BMI>25), bahkan 15,4 persen mengalami obesitas (BMI>27). 18,8% anak-anak berusia 5 hingga 12 tahun kelebihan berat badan, dan 10,8% dari mereka mengalami obesitas. Tindakan memilih, memeriksa, dan memodelkan sejumlah besar data untuk menemukan pola dan tren yang biasanya tidak diperhatikan. Algoritma DT C4.5 adalah evolusi dari algoritma ID3 yang menggunakan entropi informasi, atribut kontinu dan diskrit, atribut kategoris dan numerik, dan nilai yang hilang. Hasil yang diperoleh setelah menggunakan algoritma DT. C45 dengan Software Rapid Miner adalah 95,2%.
Kata Kunci : Obesitas, Data Mining, Decision Tree C4.5 Algoritma.
Abstract: Obesity is the buildup of extra fat brought on by a long-term mismatch between caloric intake and energy expenditure. According to the 2015-2019 RPJMN index, 13.5 percent of adults in Indonesia over the age of 18 are overweight, 28.7 percent are obese (BMI>25), and even 15.4 percent are obese (BMI>27). 18.8% of children aged 5 to 12 were overweight, and 10.8% of them were obese. The act of choosing, examining, and modeling vast amounts of data in order to discover patterns and trends that are not typically noticed.. The C4.5 algorithm is an evolution of the ID3 algorithm that uses information entropy, continuous and discrete attributes, categorical and numerical attributes, and missing values. The result obtained after using the DT algorithm. C45 with Software Rapid Miner is 95.2%.
Keywords: Obesity, Data Mining, Decision Tree C4.5 Algorithm
References
Ente, D. R., Thamrin, S. A., & Kuswanto, H. (2020). Klasifikasi faktor-faktor penyebab penyakit diabetes melitus di rumah sakit unhas menggunakan algoritma c4.5 *. Indonesian Journal of Statistics and Its Applications, Vol 4 No 1, 80–88.
Hana, F. M. (2020). Klasifikasi Penderita Penyakit Diabetes Menggunakan Algoritma Decision Tree C4.5. Jurnal SISKOM-KB (Sistem Komputer Dan Kecerdasan Buatan), 4(1), 32–39. https://doi.org/10.47970/siskom-kb.v4i1.173
Hendrastuty, N. (2024). Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Dalam Evaluasi Hasil Pembelajaran Siswa. https://doi.org/10.58602/jima-ilkom.v3i1.26
Irma Purnamasari, A., & Suprapti, T. (2024). PENERAPAN ALGORITMA DECISION TREE DALAM KLASIFIKASI PENYAKIT STROKE OTAK. In Jurnal Mahasiswa Teknik Informatika (Vol. 8, Issue 3).
Islam, H. I., Mulyadien, M. K., & Enri, U. (2022). Penerapan Algoritma C4.5 dalam Klasifikasi Status Gizi Balita. Ilmiah Wahana Pendidikan, 8(10), 116–125. http://jurnal.peneliti.net/index.php/JIWP/article/view/1839/1425
Murtane, N. M. (2021). Obesitas dan Depresi pada Orang Dewasa. Jurnal Ilmiah Kesehatan Sandi Husada, 10(1), 88–93. https://doi.org/10.35816/jiskh.v10i1.515
Purnajiwa Arimbawa, I. G. A., & Sanjaya ER, N. A. (2020). Penerapan Metode Adaboost Untuk Multi-Label Classification Pada Dokumen Teks. JELIKU (Jurnal Elektronik Ilmu Komputer Udayana), 9(1), 127. https://doi.org/10.24843/jlk.2020.v09.i01.p13
Shalsabilla, S., Rachmawati, P., Vidya Prakusa, K., & Rihastuti, S. (2023). Penerapan Data Mining dengan Metode Decision Tree untuk Prediksi Cuaca di Kota Seattle menggunakan Aplikasi Weka.
Widya, H., Surya Putra, N., Atina, V., & Maulindar, J. (2023). Penerapan Algoritme Decision Tree Pada Klasifikasi Penyakit Kanker Paru-Paru. https://www.kaggle.com/datasets/mysarahmadbhat/lung-cancer,
_.png)
.png)
