SANTOSA, Suttan Ariiq (2025) Implementasi Algoritma Light Gradient Boosting Machine Classifier Untuk Klarifikasi Tingkat Obesitas Berdasarkan Kategori Berat Badan. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (32kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (397kB)
	Text 4. KATA PENGANTAR.pdf Download (583kB)
	Text 6. ABSTRAK.pdf Download (182kB)
	Text 7. ABSTRACT.pdf Download (180kB)
	Text 8. DAFTAR ISI.pdf Download (210kB)
	Text 11. BAB I.pdf Download (202kB)

Abstract

Obesitas merupakan salah satu masalah kesehatan global yang terus meningkat setiap tahun.
Kondisi ini tidak hanya berdampak pada kesehatan fisik, seperti meningkatnya risiko penyakit
jantung, diabetes tipe 2, dan berbagai penyakit kronis lainnya. Selain itu, kondisi ini juga dapat
mempengaruhi kualitas hidup penderitanya secara psikologis. Identifikasi dini terhadap tingkat
obesitas merupakan salah satu langkah penting yang dapat dilakukan dalam mencegah dampak
lebih lanjut yang ditimbulkan oleh kondisi ini. Penelitian sebelumnya melakukan klasifikasi
tingkat obesitas dengan menggunakan algoritma KNN masih menghadapi tantangan dalam hal
akurasi yang belum memberikan performa terbaik dalam menangani klasifikasi terhadap
tingkat obesitas. Untuk mengatasi permasalahan tersebut, penelitian ini bertujuan untuk
mengklasifikasikan tingkat obesitas berdasarkan dataset Obesity Levels dengan menggunakan
algoritma Light Gradient Boosting machine (LightGBM). Algoritma ini dipilih karena
kemampuannya dalam menangani data berukuran besar dan menghasilkan akurasi yang tinggi.
Proses penelitian mencakup pengumpulan data, normalisasi dengan metode min-max scaling,
pelatihan model, dan evaluasi menggunakan metrik seperti akurasi, presisi, dan G-Mean. Hasil
penelitian menunjukkan bahwa LightGBM menghasilkan akurasi terbaik sebesar 98,58%
dengan nilai G-Mean sebesar 98,51% yang berarti bahwa model sangat baik dalam menangani
kelas mayoritas dan minoritas pada kombinasi hyperparameter terbaik (n_estimators = 200,
learning_rate = 0,05) dan proporsi data latih dan uji 80:20. Temuan ini mendukung penerapan
LightGBM sebagai algoritma yang efektif dalam klasifikasi tingkat obesitas dengan tingkat
akurasi yang signifikan.
Kata Kunci
: LightGBM, G-Mean, Klasifikasi Obesitas, Evaluasi Model, Ensemble
Learning, Akurasi

Actions (login required)

View Item