Optimasi Fitur dengan Forward Selection pada Estimasi Tingkat Obesitas menggunakan Random Forest

Abstract

Obesitas remaja di Indonesia sedang meningkat, karena kebiasaan makan yang buruk dan gaya hidup yang kurang gerak. Obesitas meningkatkan risiko masalah kesehatan yang serius seperti penyakit jantung, stroke, diabetes, dan lain-lain yang memerlukan tindakan segera. Obesitas berkembang ketika jumlah kalori yang dikonsumsi melebihi jumlah kalori yang dibakar. Obesitas telah menjadi masalah kesehatan masyarakat yang sangat besar di seluruh dunia. Menurut Organisasi Kesehatan Dunia, sekitar 1,9 miliar orang berusia 18 tahun ke atas mengalami kelebihan berat badan, dengan 600 juta orang mengalami obesitas. Menurut Survei Kesehatan dan Morbiditas Nasional, wanita 29,6% lebih mungkin mengalami obesitas dibandingkan pria, dibandingkan dengan 25% pria. Dataset rekam medis gagal jantung akan ditangani dalam dua tahap percobaan berdasarkan validasi. Empat algoritma klasifikasi yang berbeda, termasuk Random Forest, K-Nearest Neighbor, Decision Tree, dan Naive Bayes, akan dicoba pada langkah pertama. Untuk Testing, metode Cross Validation yang menggunakan Random Forest mengungguli empat algoritma lainnya dalam Testing algoritma. Setelah Testing, metode algoritma Random Forest menghasilkan nilai akurasi tertinggi, dan dievaluasi kembali menggunakan Split Validation dan rasio split yang bervariasi dengan Forward Selection sebagai fitu seleksi. Hanya Testing yang menggunakan metode Forward Selection mengungguli Testing yang menggunakan algoritma Random Forest.