Implementasi Metode Decision Tree untuk klasifikasi obesitas

Khikam, Ahlul (2025) Implementasi Metode Decision Tree untuk klasifikasi obesitas. Undergraduate (S1) thesis, Universitas Merdeka Pasuruan.

[img] Text
COVER.pdf

Download (550kB)
[img] Text
BAB-I.pdf

Download (219kB)
[img] Text
BAB-II.pdf
Restricted to Repository staff only

Download (277kB)
[img] Text
BAB-III.pdf
Restricted to Repository staff only

Download (878kB)
[img] Text
BAB-IV.pdf
Restricted to Repository staff only

Download (606kB)
[img] Text
BAB-V.pdf
Restricted to Repository staff only

Download (176kB)
[img] Text
DAFTAR-PUSTAKA.pdf
Restricted to Repository staff only

Download (241kB)
[img] Text
LAMPIRAN.pdf
Restricted to Repository staff only

Download (367kB)

Abstract

Angka obesitas telah meningkat secara signifikan dalam beberapa dekade terakhir di seluruh dunia. Aspek seperti pola makan buruk, kurangnya olahraga, faktor genetik, lingkungan, dan masalah psikologis bisa mempengaruhi berkembangnya obesitas. Obesitas dapat menyebabkan berbagai masalah kesehatan seperti penyakit jantung, diabetes, dan gangguan pernapasan, serta bisa berdampak buruk pada kualitas hidup seseorang. Tujuan penelitian untuk mengimplementasi metode Decision Tree untuk klasifikasi obesitas. Decision Tree merupakan metode yang sangat efektif dalam melakukan klasifikasi. Dataset dalam penelitian ini, dilakukan dengan mengambil data Obesity Levels dari website Arcihive.ics.uci.edu. Dataset yang digunakan sebanyak 2111 data dengan 16 kolom fitur dan 7 tingkatan label. Hasil dari prediksi klasifikasi obeitas menggunakan metode Decision Tree mendapatkan nilai accuracy sebesar 96%, precision sebesar 96%, recall sebesar 96%, Dan F1-score sebesar 96%. Meskipun hasil ini cukup memuaskan, penelitian ini juga menunjukkan adanya peluang untuk pengembangan lebih lanjut, seperti mempertimbangkan aspek – aspek lain seperti menambahkan jumlah dan variasi data, teknik preprocessing one-hot encoding, mengembangkan kinerja model dari metode Decision Tree, dan menggunakan metode klasifikasi lain untuk membandingkan kinerja model guna mendapatkan hasil yang lebih optimal dalam klasifikasi obesitas.

Item Type: Thesis (Undergraduate (S1))
Uncontrolled Keywords: Klasifikasi, Prediksi, Obesitas, Decision Tree
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Teknologi Informasi > Informatika
Depositing User: Perpustakaan Unmer Pasuruan
Date Deposited: 04 Oct 2025 03:08
Last Modified: 04 Oct 2025 03:08
URI: http://repository.unmerpas.ac.id/id/eprint/895

Actions (login required)

View Item View Item