PUTERI, Fellia Gessangie Yohanshah (2024) Implementasi Algoritma Light Gradient Boosting Machine Classifier untuk Prediksi Risiko Obesitas. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (144kB)
	Text 3. HALAMAN PENGESAHAN.pdf Download (246kB)
	Text 4. KATA PENGANTAR.pdf Download (396kB)
	Text 6. ABSTRAK.pdf Download (203kB)
	Text 7. ABSTRACT.pdf Download (140kB)
	Text 8. DAFTAR ISI.pdf Download (245kB)
	Text 11. BAB I PENDAHULUAN.pdf Download (219kB)
	Text 16. DAFTAR PUSTAKA.pdf Download (222kB)

Abstract

Obesitas adalah suatu penyakit yang disebabkan oleh penimbunan lemak berlebih karena diet yang buruk dan gaya hidup yang tidak sehat. Berdasarkan studi yang dilakukan oleh NCD Risk Factor Collaboration (NCD-RisC), ditemukan bahwa sejak tahun 1990 hingga tahun 2022, masalah berat badan meningkat sebanyak dua kali pada dewasa dan empat kali pada anak-anak sehingga dilihat dari jumlah kasus yang meningkat dengan signifikan, diperlukan adanya pendeteksian obesitas yang tepat dan cepat. Pada umumnya, pendeteksian risiko obesitas dapat dilakukan dengan menggunakan algoritma machine learning, terutama algoritma-algoritma ensemble learning. Akan tetapi, penggunaan algoritma ensemble learning ini umumnya membutuhkan waktu yang lama dengan kompleksitas komputasi yang cukup tinggi karena rumitnya pembuatan pohon. Untuk mengatasi hal tersebut, dapat digunakan algoritma ensemble learning yang teroptimasi sehingga dapat mengurangi waktu dan kompleksitas. Penelitian ini melakukan klasifikasi obesitas dengan menerapkan algoritma Light Gradient Boosting Machine Classifier (LGBM) pada dataset Obesity or CVD Risk yang telah melalui proses preprocessing. Untuk memastikan penelitian mampu memprediksi secara akurat, dilakukan beberapa pengujian untuk menentukan kombinasi hyperparameter dan proporsi data latih dan data uji dengan akurasi maksimal. Adapun kombinasi hyperparameter yang digunakan pada penelitian ini adalah learning_rate sebesar 0,01, n_estimator dengan nilai 200, dan max_depth 7 dengan perbandingan data uji dan data latih
80:20. Hasil pengujian pada penelitian ini menunjukkan bahwa algoritma Light Gradient Boosting Machine Classifier mampu mencapai nilai akurasi sebesar 100,00% dengan nilai
precision sebesar 100,00%, recall sebesar 100,00%, dan F1-Score sebesar 100,00% untuk memprediksi tingkat obesitas.
Kata kunci: Light Gradient Boosting Machine (LGBM), Klasifikasi, Obesitas

Actions (login required)

View Item