Analisis Komparatif Decision Tree dan Random Forest untuk Klasifikasi Tingkat Obesitas
DOI:
https://doi.org/10.37859/coscitech.v7i2.11973
Abstract
Abstrak
Obesitas merupakan salah satu masalah kesehatan global yang terus mengalami peningkatan dan berkontribusi terhadap berbagai penyakit tidak menular, seperti diabetes melitus, hipertensi, dan penyakit kardiovaskular. Faktor gaya hidup, pola konsumsi makanan, serta aktivitas fisik memiliki peran penting dalam menentukan tingkat obesitas seseorang. Perkembangan teknologi machine learning memungkinkan pengembangan model prediksi yang dapat membantu mengidentifikasi tingkat obesitas berdasarkan karakteristik individu. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Decision Tree dan Random Forest dalam klasifikasi tingkat obesitas berdasarkan faktor gaya hidup dan kondisi fisik. Dataset yang digunakan terdiri atas 2.111 data dengan 17 atribut yang mencakup informasi demografi, kebiasaan makan, aktivitas fisik, konsumsi air, penggunaan perangkat teknologi, serta riwayat keluarga. Tahapan penelitian meliputi prapemrosesan data, transformasi atribut kategorikal, pembagian data latih dan data uji, pelatihan model, serta evaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Random Forest memperoleh performa terbaik dengan nilai accuracy sebesar 95,27%, sedangkan Decision Tree memperoleh accuracy sebesar 91,73%. Selain itu, analisis feature importance menunjukkan bahwa atribut Weight, Height, Age, FCVC, dan Gender merupakan faktor yang memberikan kontribusi terbesar dalam proses klasifikasi tingkat obesitas. Hasil penelitian menunjukkan bahwa pendekatan ensemble learning pada Random Forest mampu meningkatkan kualitas klasifikasi dibandingkan model pohon keputusan tunggal.
Downloads
References
World Health Organization, “Obesity and overweight.” Accessed: Jun. 24, 2026. [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/obesity-and-overweight
S. A. Nabila, E. Sunarsih, Novrikasari, and A. Rahmiwati, “Dietary Behavior and Physical Activity on the Problem of Obesity: Systematic Review,” Media Publikasi Promosi Kesehatan Indonesia, vol. 7, no. 3, pp. 498–505, Mar. 2024, doi: 10.56338/mppki.v7i3.4533.
R. Alfarisi, D. W. Nurfadilah, and D. Shakira, “Tingkat Pengetahuan Tentang Obesitas pada Masyarakat Dusun Sumber Sari Desa Taman Sari Kecamatan Gedong Tataan,” Jurnal Ilmu Kedokteran dan Kesehatan, vol. 9, no. 4, pp. 2549–4864, 2022, doi: 10.33024/jikk.v9i4.8384.
L. Setiyani, A. N. Indahsari, and R. Roestam, “Analisis Prediksi Level Obesitas Menggunakan Perbandingan Algoritma Machine Learning dan Deep Learning,” JTERA (Jurnal Teknologi Rekayasa), vol. 8, no. 1, pp. 139–146, 2023, doi: 10.31544/jtera.v8.i1.2023.139-146.
H. Manik, “Integrasi Kecerdasan Buatan dalam Diagnostik Medis: Peluang dan Tantangan di Era Kesehatan Digital,” Indonesian Journal of Medicine, Health and Nursing, vol. 1, no. 1, pp. 45–57, 2026, doi: 10.70742/ijmhn.v1i1.577.
A. Abdullah, D. U. Khairah, and M. W. Pangestika, “Comparison of random forest and xgboost algorithms in credit card fraud classification,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 6, no. 3, pp. 392–398, Dec. 2025, doi: 10.37859/coscitech.v6i3.10470.
J. Han, J. Pei, and H. Tong, Data mining: concepts and techniques. Morgan kaufmann, 2022.
A. Géron, Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. “ O’Reilly Media, Inc.,” 2022.
R. R. Pratama, “Analisis Model Machine Learning Terhadap Pengenalan Aktifitas Manusia,” MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 19, no. 2, pp. 302–311, May 2020, doi: 10.30812/matrik.v19i2.688.
E. Rohaeti, A. Andriyati, and M. Edy Rizal, “Klasifikasi Obesitas Menggunakan Domain-Based Decision Tree, XGBoost, dan SHAP,” Limits: Journal of Mathematics and Its Applications, vol. 23, no. 1, pp. 77–96, Apr. 2026, doi: 10.12962/limits.v23i1.7970.
D. Fakhrizal, A. A. Sutrisno, N. A. Zain, G. A. Mukti, and A. Setiawan, “Implementasi Algoritma Machine Learning Menggunakan Model Random Forest Untuk Klasifikasi Obesitas,” Jurnal Mahasiswa Teknik Informatika, vol. 9, no. 5, pp. 7579–7584, 2025, doi: 10.36040/jati.v9i5.14667.
R. Faizal, A. Abdullah, and M. W. Pangestika, “Perbandingan Random Forest Regressor Dan Decision Tree Regressor Untuk Prediksi Hasil Panen,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 6, no. 2, pp. 247–253, Sep. 2025, doi: 10.37859/coscitech.v6i2.9966.
A. P. Sabrina and Z. Fatah, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Resiko Diabetes,” JAMASTIKA, vol. 4, no. 2, pp. 273–279, 2025, doi: 10.35473/jamastika.v4i2.4543.
K. Syaban and Mardiawati, “Evaluasi Model Ensemble Learning pada Identifikasi Faktor Risiko Diabetes Mellitus,” Jurnal Teknologi dan Informasi, vol. 15, no. 2, pp. 121–130, Sep. 2025, doi: 10.34010/jati.v15i2.16238.
H. Fauzan, E. Haerani, F. Kurnia, and N. Yanti, “Implementasi Algoritma Random Forest pada Web-App Sebagai Instrumen Deteksi Dini Penyakit Diabetes,” Jurnal CoSciTech (Computer Science and Information Technology), vol. 7, no. 1, pp. 75–83, Apr. 2025, doi: 10.37859/coscitech.v7i1.11261.
W. Amanda and A. Voutama, “Klasifikasi Pendapatan Menggunakan Algoritma Random Forest: Studi Kasus Dataset Adult Income,” Jurnal Ilmiah Informatika Global, vol. 16, no. 2, pp. 79–84, 2025.
Y. E. I. Noor, E. Sugiarto, and A. S. Fatimah, “The Description of Obesity Among Housewifes in The World,” Jurnal Gizi Dan Kesehatan, vol. 14, no. 1, pp. 34–42, 2022, Accessed: Jun. 25, 2026. [Online]. Available: https://storage.nu.or.id/storage/files/jurnal-kesehatan-obesitas-jgk_1721379451.pdf
R. N. Alifah et al., “Perbandingan Metode Tree Based Classification untuk Masalah Klasifikasi Data Body Mass Index,” Indonesian Journal of Mathematics and Natural Sciences, vol. 47, no. 1, pp. 49–65, 2024, doi: 10.15294/m2k97436.
O. Septa, N. Triyasri, M. A. Permata, A. Salsabila, and F. Firdani, “Analisis Klasifikasi Multikelas Obesitas Menggunakan Algoritma Decision Tree Classifier, Random Forest Classifier, dan Support Vector Classifier (SVC),” Jurnal of Data Science Methods and Applications, vol. 02, no. 01, pp. 12–21, 2026, doi: 10.30873/jodmapps.v2i1.pp12-21.
S. A. Utiarahman and M. A. M. Pratama, “Penerapan Support Vector Machine dan Random Forest Classifier Untuk Klasifikasi Tingkat Obesitas,” Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer), vol. 14, no. 3, pp. 754–760, 2024, doi: 10.37859/jf.v14i3.8104.
A. B. Alpiansah and Y. Ramdhani, “Optimasi Fitur dengan Forward Selection pada Estimasi Tingkat Obesitas menggunakan Random Forest,” SISTEMASI: Jurnal Sistem Informasi, vol. 12, no. 3, pp. 860–873, 2023, doi: 10.32520/stmsi.v12i3.3125.
S. L. M. Sitio, Machine Learning Berbasis Pohon Keputusan: Implementasi Decision Tree dan Random Forest di Google Colab. Cilacap: MEDIA PUSTAKA INDO, 2026. [Online]. Available: www.mediapustakaindo.com
A. R. Husaini, “Klasifikasi Berbasis Machine Learning untuk Prediksi Kondisi Kesehatan Berdasarkan Gejala Umum COVID-19,” EJECTS: Journal Computer, Technology and Informations System, vol. 5, no. 1, pp. 13–18, 2025, Accessed: Jun. 25, 2026. [Online]. Available: https://jurnal.unda.ac.id/index.php/ejects/article/download/557/369
W. A. Pamungkas, “Penerapan Klasifikasi Data Mining Untuk Prediksi Dengan Metode Algoritma Decission Tree,” in Seminar Nasional Sains dan Teknologi “SainTek” Seri IV, Tangerang Selatan, 2025, pp. 655–678. Accessed: Jun. 25, 2026. [Online]. Available: https://conference.ut.ac.id/index.php/saintek/article/view/6737
A. Khikam, N. Martyan Anggadimas, and M. Udin, “Implementasi Decision Tree Untuk Klasikasi Obesitas,” 2025.
M. Rizky, D. Nasien, Johan, and G. Tendra, “Penerapan Decision Tree Menggunakan Algoritma Cart Dalam Prediksi Indeks Massa Tubuh Berbasis Web,” Jurnal Mahasiswa Aplikasi Teknologi Komputer dan Informasi, vol. 7, no. 2, pp. 168–172, 2025, doi: 10.35145/jmapteksi.v7i2.4986.
N. Rosidah, R. Prathivi, and Susanto, “Optimasi Metode Random Forest Untuk Klasifikasi Risiko Obesitas Berdasarkan Pola Makan,” Jurnal Informatika Teknologi dan Sains, vol. 7, no. 1, pp. 56–62, 2025, Accessed: Jun. 26, 2026. [Online]. Available: https://www.academia.edu/download/121400118/Optimasi_Metode_Random_Forest_Untuk_Klasifikasi_Risiko_Obesitas_Berdasarkan_Pola_Makan.pdf
F. Ferdowsy, K. S. A. Rahi, M. I. Jabiullah, and M. T. Habib, “A machine learning approach for obesity risk prediction,” Current Research in Behavioral Sciences, vol. 2, Nov. 2021, doi: 10.1016/j.crbeha.2021.100053.
R. V. Suryadinata and D. A. Sukarno, “The Effect Of Physical Activity On The Risk Of Obesity In Adulthood,” The Indonesian Journal of Public Health, vol. 14, no. 1, pp. 106–116, 2019, doi: 10.20473/ijph.vl14il.2019.106-116.
G. James, D. Witten, T. Hastie, and R. Tibshirani, “An Introduction to Statistical Learning with Applications in R Second Edition,” 2021.
