KLASIFIKASI TINGKAT OBESITAS BERBASIS DATA ANTROPOMETRI MENGGUNAKAN ALGORITMA SVM DAN KNN

DIAN SELA ANJELINA

doi:10.23960/jitet.v14i3.10298

DIAN SELA ANJELINA
Universitas Muhammadiyah Sukabumi

DOI: https://doi.org/10.23960/jitet.v14i3.10298

Keywords obesity, anthropometric data, support vector machine, K-Nearest Neighbor, SMOTE

Abstract Views (Last 12 Months)

5 Abstract Views

5 Downloads

Abstract

Penelitian ini membangun model klasifikasi tingkat obesitas berbasis data antropometri menggunakan Support Vector Machine (SVM) dan K-Nearest Neighbor (KNN). Data berasal dari pasien Penyakit Tidak Menular (PTM) pada Puskesmas Kota Sukabumi. Setelah pembersihan data, digunakan 2.662 data dengan variabel usia, jenis kelamin, berat badan, dan tinggi badan. Indeks Massa Tubuh (IMT) dihitung dari berat badan dan tinggi badan untuk membentuk label kelas berdasarkan klasifikasi IMT Asia-Pasifik, yaitu underweight, normal, overweight, obesitas I, dan obesitas II, tetapi tidak digunakan sebagai fitur input model. Tahapan penelitian mengikuti CRISP-DM dengan pipeline SMOTE, StandardScaler, SVM kernel RBF, dan KNN. Hasil evaluasi menunjukkan SVM memperoleh akurasi 97,75%, sedangkan KNN memperoleh 91,93%. Cross validation menghasilkan rata-rata akurasi 98,31% pada SVM dan 93,50% pada KNN. Penambahan usia dan jenis kelamin meningkatkan akurasi SVM dari 97,00% menjadi 97,75%. Hasil ini menunjukkan bahwa SVM lebih unggul untuk klasifikasi tingkat obesitas berbasis data antropometri.

Downloads

Download data is not yet available.

References

"WHO," who.int, 8 Desember 2025. [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/obesity-and-overweight. [Accessed 23 Mei 2026].

Kementerian Kesehatan Republik Indonesia, "Keputusan Menteri Kesehatan Republik Indonesia Nomor HK.01.07/MENKES/509/2025 tentang Pedoman Nasional Pelayanan Klinis Tata Laksana Obesitas Dewasa," Kementerian Kesehatan Republik Indonesia, Jakarta, 2025.

S. A. Utiarahman and A. M. M. Pratama, "Analisis Perbandingan KNN, SVM, Decision Tree dan Regresi Logistik Untuk Klasifikasi Obesitas Multi Kelas," KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 6, pp. 3137-3146, 2024.

G. Sugisandhea and T. Handhayani, "PERBANDINGAN KINERJA KNN, SVM, DAN ANN UNTUK MEMPREDIKSI LEVEL OBESITAS," Jurnal Ilmu Komputer dan Sistem Informasi, vol. 13, no. 2, pp. 1-9, 2025.

G. Airlangga, "Machine Learning-Based Obesity Classification: A Comparative Study Using Self-Reported Survey Data and Ensemble Learning Models," Jurnal Teknologi Informatika dan Komputer MH. Thamrin, vol. 11, no. 1, pp. 347-361, 2025.

K. N. A. Nur, A. Wanto and P. Poningsih, "OPTIMIZATION OF SVM ALGORITHM FOR OBESITY CLASSIFICATION WITH SMOTE TECHNIQUE AND HYPERPARAMETER TUNING," JITK (JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI KOMPUTER), vol. 11, no. 2, pp. 291-303, 2025.

E. E. Pratiwi, A. R. Aisy, R. Rahmaddeni and N. Ananta, "KLASIFIKASI KESEHATAN MENTAL PADA USIA REMAJA MENGGUNAKAN METODE SVM," JITET (Jurnal Informatika dan Teknik Elektro Terapan), vol. 13, no. 2, pp. 445-453, 2025.

L. Hakim, A. Sobri, L. Sunardi and D. Nurdiansyah, "Prediksi penyakit jantung berbasis mesin learning dengan menggunakan metode k-nn," JURNAL DIGITAL TEKNOLOGI INFORMASI, vol. 7, no. 2, pp. 14-20, 2024.

T. Hidayatulloh and L. Yusuf, "KLASIFIKASI TIPE BERAT TUBUH MENGGUNAKAN METODE SUPPORT VECTOR MACHINE," INTI NUSA MANDIRI, vol. 18, no. 1, pp. 71-77, 2023.

A. P. Siregar and S. I. Al Idrus, "Implementasi Algoritma K-Nearest Neighbors (KNN) dalam Deteksi Dini Hipertensi berdasarkan Analisis Tekanan Darah," INCODING: Journal of Informatic and Computer Science Engineering, vol. 5, no. 2, pp. 305-318, 2025.

A. Rianti, N. W. A. Majid and A. Fauzi, "CRISP-DM: Metodologi Proyek Data Science," in Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) , Surakarta, 2023.

W. A. I. Pradana, S. and V. Atina, "Teknik K-Fold Cross Validation untuk Mengevaluasi Kinerja Mahasiswa," Jurnal Algoritma, vol. 21, no. 1, pp. 239 - 248, 2024.

I. Maulana, A. M. Siregar, R. and A. Fauzi, "OPTIMIZATION OF MACHINE LEARNING MODEL ACCURACY FOR BRAIN TUMOR CLASSIFICATION WITH PRINCIPAL COMPONENT ANALYSIS," Jurnal Teknik Informatika (JUTIF) , vol. 5, no. 3, pp. 903-915, 2024.

N. Cahyani and R. Irsyada, "Performance Comparison of SelectKBest and Permutation Importance in Feature Selection for Diabetes Prediction," Brilliance, vol. 5, no. 1, pp. 529-541, 2025.

A. D. K. Dewi and D. W. Utomo, "Optimasi Decision Tree menggunakan Pendekatan Ensemble Bagging untuk Klasifikasi Klinis Hipertensi," EDUMATIC: Jurnal Pendidikan Informatika, vol. 9, no. 3, pp. 728-747, 2025.

S. P. J. Simanjuntak, R. A. Aziz, I. A. Prasetyo, M. R. Al Ikhsan, A. Cio, S. Wibawa and M. Muharrom, "PERANCANGAN SISTEM PREDIKSI RISIKO DIABETES MENGGUNAKAN LOGISTIC REGRESSION DAN RANDOM FOREST," INFOTECH journal, vol. 11, no. 2, pp. 433-441, 2025.

A. R. Syahputra, R. Hidayat, F. Rismansyah, S. Sumanto, I. Budiawan and R. Pakpahan, "Komparasi Algoritma Machine Learning (SVM, Random Forest, dan Regresi Logistik) untuk Prediksi Tingkat Obesitas," Jurnal Ilmiah Teknik Informatika dan Komunikasi, vol. 5, no. 3, pp. 660-673, 2025.