Optimasi Hyperparameter Algoritma Decision Tree dan Random Forest Menggunakan Particle Swarm Optimization Untuk Prediksi Risiko Obesitas Anak
DOI:
https://doi.org/10.30865/jurikom.v12i6.9250Keywords:
Obesitas Anak, Particle Swarm Optimization, Decision Tree, Random Forest, Prediksi Status GiziAbstract
Obesitas pada anak merupakan masalah kesehatan global yang mengalami peningkatan prevalensi signifikan di Indonesia dengan proyeksi mencapai 254 juta kasus pada tahun 2030. Penelitian ini bertujuan mengoptimasi model prediksi risiko obesitas anak menggunakan Particle Swarm Optimization (PSO) pada algoritma Decision Tree dan Random Forest untuk meningkatkan akurasi klasifikasi status gizi anak berdasarkan Permenkes No. 2 Tahun 2020. Metode penelitian menggunakan pendekatan ekperimental dengan dataset 64.506 anak dengan rentang usia 0-5 tahun dari Dinas Kesehatan Provinsi Gorontalo tahun 2024 yang kemudian di balancing menjadi 3.837 sampel. Optimasi PSO dilakukan dengan 40 partikel dan 80 iterasi untuk mencari hyperparameter optimal pada kedua algoritma. Hasil penelitian menunjukkan Decision Tree yang dioptimasi PSO menghasilkan akurasi terbaik sebesar 91.32% pada test set, meningkat 4.51% dari baseline, dengan precision 0.95, recall 0.95 dan F1-score 0.95. Random Forest teroptimasi mencapai akurasi 84.2%, meningkat 2.60% dari baseline. Model Decision Tree + PSO menunjukkan performa superior pada klasifikasi obesitas dengan precision 0.98 dan recall 0.96, serta berhasil mengurangi overfitting dari gap 3.47% menjadi 2.78%. model yang dikembangkan dapat diimplementasikan sebagai alat bantu deteksi dini risiko obesitas anak dalam layanan kesehatan masyarakat untuk mendukung pencapaian Indonesia Emas 2045.
References
[1] B. Singh and H. Tawfik, “Machine learning approach for the early prediction of the risk of overweight and obesity in young people,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), Springer Science and Business Media Deutschland GmbH, 2020, pp. 523–535. doi: 10.1007/978-3-030-50423-6_39.
[2] Balai Besar Laboratorium Kesehatan Lingkungan, “Ancaman Obesitas pada Anak Indonesia,” https://bblabkesling.go.id/r-ancaman-obesitas-pada-anak-indonesia.
[3] AA Lisna, “Tantangan dan Strategi Penanganan Obesitas Pada Anak dan Remaja,” https://brin.go.id/reviews/118905/tantangan-dan-strategi-penanganan-obesitas-pada-anak-dan-remaja.
[4] Q. F. Zahari, N. A. S. Prashanti, S. Salsabella, J. Jumiatmoko, R. Hafidah, and N. E. Nurjannah, “Kemampuan Fisik Motorik Anak Usia Dini dengan Masalah Obesitas,” Jurnal Obsesi : Jurnal Pendidikan Anak Usia Dini, vol. 6, no. 4, pp. 2844–2851, Feb. 2022, doi: 10.31004/obsesi.v6i4.1570.
[5] E. Di Palmo et al., “Childhood obesity and respiratory diseases: Which link?,” Children, vol. 8, no. 3, Mar. 2021, doi: 10.3390/children8030177.
[6] A. R. Kansra, S. Lakkunarajah, and M. S. Jay, “Childhood and Adolescent Obesity: A Review,” Jan. 12, 2021, Frontiers Media S.A. doi: 10.3389/fped.2020.581461.
[7] B. A. Pratama, “Literature Review: Faktor Risiko Obesitas Pada Remaja Di Indonesia,” Indonesian Journal on Medical Science, vol. 10, no. 2, Jul. 2023, doi: 10.55181/ijms.v10i2.443.
[8] M. Heri, K. G. T. Purwantara, N. M. D. Y. Astriani, and I. D. A. Rismayanti, “Sikap Orang Tua dengan Kejadian Obesitas pada Anak Usia 6-12 Tahun,” Journal of Telenursing (JOTING), vol. 3, no. 1, pp. 95–102, Apr. 2021, doi: 10.31539/joting.v3i1.2114.
[9] P. Doupe, J. Faghmous, and S. Basu, “Machine Learning for Health Services Researchers,” Value in Health, vol. 22, no. 7, pp. 808–815, Jul. 2019, doi: 10.1016/j.jval.2019.02.012.
[10] M. Safaei, E. A. Sundararajan, M. Driss, W. Boulila, and A. Shapi’i, “A systematic Literature Review on Obesity: Understanding The Causes & Consequences of Obesity and Reviewing Various Machine Learning Approaches used to Predict Obesity,” Comput Biol Med, vol. 136, Sep. 2021, doi: 10.1016/j.compbiomed.2021.104754.
[11] F. Musa, F. Basaky, and O. E.O, “Obesity prediction using machine learning techniques,” Journal of Applied Artificial Intelligence, vol. 3, no. 1, pp. 24–33, Jun. 2022, doi: 10.48185/jaai.v3i1.470.
[12] A. T. Azar, H. I. Elshazly, A. E. Hassanien, and A. M. Elkorany, “A random forest classifier for lymph diseases,” Comput Methods Programs Biomed, vol. 113, no. 2, pp. 465–473, 2014, doi: 10.1016/j.cmpb.2013.11.004.
[13] 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.
[14] M. Calderon-Diaz, L. J. Serey-Castillo, E. A. Vallejos-Cuevas, A. Espinoza, R. Salas, and M. A. Macias-Jimenez, “Detection of variables for the diagnosis of overweight and obesity in young Chileans using machine learning techniques.,” in Procedia Computer Science, Elsevier B.V., 2023, pp. 978–983. doi: 10.1016/j.procs.2023.03.135.
[15] S. A. Utiarahman, A. Mulawati, and M. Pratama, “KLIK: Kajian Ilmiah Informatika dan Komputer Analisis Perbandingan KNN, SVM, Decision Tree dan Regresi Logistik Untuk Klasifikasi Obesitas Multi Kelas,” Media Online), vol. 4, no. 6, pp. 3137–3146, 2024, doi: 10.30865/klik.v4i6.1871.
[16] S. A. Utiarahman, A. Mulawati, and M. Pratama, “Penerapan Support Vector Machine dan Random Forest Classifier Untuk Klasifikasi Tingkat Obesitas”, [Online]. Available: https://www.kaggle.com/code/pranita1202/obesity-
[17] J. A. Murtha et al., “Identifying Young Adults at High Risk for Weight Gain Using Machine Learning,” Journal of Surgical Research, vol. 291, pp. 7–16, Nov. 2023, doi: 10.1016/j.jss.2023.05.015.
[18] T. M. Dugan, S. Mukhopadhyay, A. Carroll, and S. Downs, “Machine learning techniques for prediction of early childhood obesity,” Appl Clin Inform, vol. 6, no. 3, pp. 506–520, Aug. 2015, doi: 10.4338/ACI-2015-03-RA-0036.
[19] A. H. Mubarok, P. Pujiono, D. Setiawan, D. F. Wicaksono, and E. Rimawati, “Parameter Testing on Random Forest Algorithm for Stunting Prediction,” sinkron, vol. 9, no. 1, pp. 107–116, Jan. 2025, doi: 10.33395/sinkron.v9i1.14264.
[20] J. Yi, P. Yu, T. Huang, and Z. Xu, “Optimization of Transformer heart disease prediction model based on particle swarm optimization algorithm,” Dec. 2024, [Online]. Available: http://arxiv.org/abs/2412.02801
[21] R. Kaur, R. Kumar, and M. Gupta, “Predicting risk of obesity and meal planning to reduce the obese in adulthood using artificial intelligence,” Endocrine, vol. 78, no. 3, pp. 458–469, Dec. 2022, doi: 10.1007/s12020-022-03215-4.
[22] Menteri Kesehatan Republik Indonesia, “Peraturan Menteri Kesehatan Republik Indonesia,” 2020. Accessed: Sep. 13, 2025. [Online]. Available: https://peraturan.bpk.go.id/Download/144762/Permenkes%20Nomor%202%20Tahun%202020.pdf
[23] R. Delshi Howsalya Devi, “Prediction Of Diseases Using Random Forest Classification Algorithm.”
