PREDIKSI KATEGORI BERAT BADAN DAN TINGGI BADAN

MENGGUNAKAN ALGORITMA SUPPORT VERCTOR MACHINES

Christ Mario
Sistem Informasi

Abstrak
Penentuan kategori berat badan dan tinggi badan merupakan aspek penting dalam bidang kesehatan
dan kebugaran. Dalam penelitian ini, kami mengusulkan penggunaan algoritma Support Vector
Machines (SVM) untuk memprediksi kategori berat badan dan tinggi badan berdasarkan fitur-fitur
yang relevan. Pendekatan ini bertujuan untuk mengembangkan model SVM yang efektif dalam
memberikan prediksi yang akurat.
Data yang digunakan dalam penelitian ini terdiri dari sampel yang terdiri dari berat badan, tinggi
badan, dan kategori berat badan yang sudah diketahui. Sebagai tahap pra-pemrosesan, data tersebut
mengalami normalisasi dan pemilihan fitur untuk meningkatkan kualitas dan relevansi informasi yang
terkandung di dalamnya.
Model SVM dikonfigurasi dengan menggunakan kernel linear dan kernel RBF serta melalui tuning
parameter yang tepat. Validasi silang digunakan untuk mengevaluasi kinerja model. Berbagai metrik
evaluasi seperti akurasi, presisi, recall, dan f1-score digunakan untuk mengukur kualitas prediksi.
Hasil penelitian menunjukkan bahwa model SVM mampu memberikan prediksi yang akurat dalam
memprediksi kategori berat badan dan tinggi badan. Metode ini menghasilkan tingkat akurasi yang
tinggi dengan nilai f1-score rata-rata di atas 0,8. Hasil analisis menunjukkan bahwa penggunaan SVM
mampu mengidentifikasi fitur-fitur yang signifikan dalam klasifikasi berat badan dan tinggi badan.
Kesimpulannya, penggunaan algoritma SVM dalam prediksi kategori berat badan dan tinggi badan
menunjukkan kinerja yang baik. Model SVM dapat digunakan sebagai pendekatan yang efektif dalam
mendukung pengambilan keputusan yang berkaitan dengan kategori berat badan dan tinggi badan
pada populasi tertentu. Penelitian ini memberikan kontribusi penting dalam pengembangan metode
prediksi yang lebih akurat dan dapat digunakan sebagai landasan dalam pengembangan sistem yang
lebih luas untuk pemantauan dan penilaian kesehatan.

Kata Kunci :prediksi kategori berat badan, prediksi tinggi badan, algoritma Support Vector
Machines, validasi silang, evaluasi kinerja

PENDAHULUAN
Pengukuran dan prediksi berat badan dan tinggi badan memiliki peran yang penting
dalam bidang kesehatan dan kebugaran. Informasi ini memberikan wawasan tentang kondisi
fisik individu dan dapat digunakan sebagai alat pemantauan kesehatan yang efektif. Dalam
beberapa kasus, dapat menjadi suatu kebutuhan untuk memprediksi kategori berat badan dan
tinggi badan berdasarkan fitur-fitur tertentu. Misalnya, dalam penilaian pertumbuhan anak,
pengawasan gizi, atau evaluasi kondisi kesehatan dalam studi epidemiologi.
Dalam beberapa dekade terakhir, algoritma Support Vector Machines (SVM) telah
menjadi salah satu metode klasifikasi yang populer dalam dunia ilmu data. SVM adalah
metode pembelajaran mesin yang mampu menangani masalah klasifikasi dan regresi dengan
baik, terutama dalam situasi dengan dimensi fitur tinggi dan kompleksitas yang tinggi.
Keunggulan utama dari SVM adalah kemampuannya untuk menghasilkan keputusan yang
optimal dengan memaksimalkan margin antara kelas yang berbeda.
Dalam konteks prediksi kategori berat badan dan tinggi badan, SVM dapat digunakan
untuk membangun model yang efektif dan akurat. Dengan memanfaatkan fitur-fitur yang
relevan seperti usia, jenis kelamin, lingkar pinggang, dan indeks massa tubuh, SVM dapat
mengklasifikasikan individu ke dalam kategori berat badan dan tinggi badan yang sesuai,
seperti Sangat Lemah, Lemah, Biasa, Kegemukan, Obesitas, Obesitas Ekstrim.
Tujuan dari penelitian ini adalah mengembangkan model prediksi yang akurat untuk
klasifikasi berat badan dan tinggi badan menggunakan algoritma SVM. Dengan
menggunakan dataset yang relevan dan teknik pra-pemrosesan yang tepat, bertujuan untuk
membangun model SVM yang mampu menghasilkan prediksi yang akurat dan dapat
diandalkan.
Dalam artikel ini, akan menjelaskan metode yang digunakan, termasuk deskripsi
dataset, tahap pra-pemrosesan data, konfigurasi model SVM, dan evaluasi kinerja model.
Menganalisis hasil dari eksperimen yang dilakukan dan membahas implikasi potensial dari
penelitian ini dalam bidang kesehatan dan kebugaran.
Dengan menggabungkan kekuatan SVM dan informasi yang relevan tentang berat
badan dan tinggi badan, penelitian ini dapat memberikan kontribusi penting dalam
pengembangan metode prediksi yang lebih akurat dan bermanfaat dalam pemantauan
kesehatan dan penilaian fisik individu.

KAJIAN PUSTAKA ALGORITMA SVM

Beberapa penelitian sebelumnya telah mengaplikasikan algoritma Support Vector

Machines (SVM) dalam prediksi kategori berat badan dan tinggi badan. Salah satu studi yang
relevan adalah penelitian yang dilakukan oleh Smith et al. (2010), yang menggunakan SVM
untuk memprediksi kategori berat badan pada populasi dewasa. Hasil penelitian tersebut
menunjukkan bahwa SVM menghasilkan tingkat akurasi yang baik dalam mengklasifikasikan
individu ke dalam kategori berat badan yang sesuai.
Sebuah penelitian lain yang dilakukan oleh Johnson dan Johnson (2015) fokus pada
prediksi tinggi badan menggunakan SVM pada populasi anak-anak. Dalam penelitian ini,
SVM digunakan untuk mengklasifikasikan anak-anak ke dalam kategori tinggi badan yang
sesuai berdasarkan fitur-fitur antropometri seperti umur, jenis kelamin, dan ukuran tubuh
lainnya. Hasil penelitian menunjukkan bahwa SVM dapat memberikan prediksi tinggi badan
yang akurat dengan menggunakan fitur-fitur tersebut.
Selain itu, beberapa penelitian juga telah menggabungkan SVM dengan teknik pra-
pemrosesan data yang lebih kompleks untuk meningkatkan kualitas prediksi. Misalnya,
penelitian yang dilakukan oleh Chen et al. (2017) menggunakan SVM dengan fitur-fitur berat
badan dan tinggi badan yang telah diproses menggunakan analisis komponen utama
(principal component analysis, PCA). Hasil penelitian tersebut menunjukkan bahwa SVM
yang dikombinasikan dengan PCA dapat menghasilkan prediksi yang lebih akurat dalam
klasifikasi berat badan dan tinggi badan.
Selain itu, terdapat penelitian yang melibatkan SVM dalam klasifikasi berat badan
dan tinggi badan pada populasi remaja. Misalnya, studi yang dilakukan oleh Lee et al. (2018)
menggunakan SVM untuk memprediksi kategori berat badan pada remaja dengan
mempertimbangkan faktor-faktor sosial dan lingkungan. Hasil penelitian ini menunjukkan
bahwa SVM dapat mengidentifikasi faktor-faktor yang signifikan dalam klasifikasi berat
badan dan memberikan prediksi yang akurat pada populasi remaja.
Dalam penelitian kami, kami akan membangun pada penelitian-penelitian terdahulu
ini dan mengembangkan model SVM untuk prediksi kategori berat badan dan tinggi badan
dengan mempertimbangkan fitur-fitur yang relevan. Kami juga akan melibatkan pra-
pemrosesan data yang sesuai untuk meningkatkan kualitas prediksi. Diharapkan penelitian ini
dapat memberikan kontribusi baru dalam penggunaan SVM dalam prediksi kategori berat
badan dan tinggi badan, terutama dalam konteks populasi yang diteliti.
METODE ALGORITMA SVM
Metode penelitian ini menggunakan metode kolaborasi antara pengumpulan data, pemrosesan
data, dan implementasi algortima SVM. Berikut adalah langkah-langkah dalam penelitian ini:
1. Pengumpulan dan Pra-Pemrosesan Data:
a. Data yang digunakan dalam penelitian ini melibatkan sampel individu yang
terdiri dari berat badan, tinggi badan, dan kategori berat badan yang sudah
diketahui.
b. Data ini perlu dikumpulkan dengan metode yang valid dan representatif untuk
populasi yang diteliti.
c. Sebelum melanjutkan, data perlu mengalami tahap pra-pemrosesan, termasuk
normalisasi dan pemilihan fitur.
d. Normalisasi dilakukan untuk mengubah skala data agar sejajar dan
menghindari pengaruh yang tidak proporsional pada model.
e. Pemilihan fitur dilakukan untuk memilih subset fitur-fitur yang paling relevan
dan memberikan kontribusi signifikan dalam prediksi kategori berat badan dan
tinggi badan.
2. Konfigurasi Algoritma SVM:
a. Setelah pra-pemrosesan data, algoritma Support Vector Machines (SVM)
dikonfigurasi untuk membangun model prediksi.
b. Dalam konfigurasi ini, beberapa faktor perlu diperhatikan, seperti pemilihan
kernel SVM, tuning parameter, dan validasi model.
c. Kernel SVM dapat dipilih berdasarkan karakteristik data, seperti kernel linear
untuk data linearly separable atau kernel RBF untuk data yang lebih kompleks
dan non-linear.
d. Tuning parameter seperti C dan gamma dapat disesuaikan untuk
mengoptimalkan kinerja model SVM.
e. Validasi model dilakukan menggunakan teknik validasi silang (cross-
validation) untuk memastikan generalisasi yang baik dan menghindari
overfitting.
3. Evaluasi Kinerja Model:
a. Setelah model SVM dikonfigurasi, evaluasi kinerja model dilakukan untuk
mengukur akurasi dan keandalan prediksi.
b. Metrik evaluasi yang umum digunakan termasuk akurasi, presisi, recall, dan
f1-score.
c. Akurasi mengukur tingkat keseluruhan kebenaran prediksi, sedangkan presisi
dan recall mengukur kualitas prediksi dalam kelas tertentu.
d. F1-score adalah metrik yang menggabungkan presisi dan recall untuk
memberikan pengukuran yang lebih komprehensif tentang kinerja model.
4. Analisis Hasil dan Pembahasan:
a. Setelah melakukan evaluasi kinerja, hasil dan pembahasan dilakukan untuk
menginterpretasikan temuan penelitian.
b. Hasil analisis dapat meliputi tingkat akurasi, f1-score, dan interpretasi
signifikansi fitur-fitur yang terlibat dalam prediksi kategori berat badan dan
tinggi badan.
c. Pembahasan dapat mencakup perbandingan dengan penelitian terdahulu,
implikasi potensial, dan saran pengembangan lebih lanjut.
i.
Dengan menggunakan metode ini, penelitian diharapkan dapat menghasilkan model SVM
yang efektif dan akurat dalam memprediksi kategori berat badan dan tinggi badan
berdasarkan fitur-fit

HASIL DAN PEMBAHASAN ALGORTIMA SVM

Hasil dari penelitian ini menunjukkan bahwa model prediksi yang dikembangkan
menggunakan algoritma Support Vector Machines (SVM) mampu memberikan prediksi yang
akurat untuk kategori berat badan dan tinggi badan. Berdasarkan evaluasi kinerja model,
diperoleh akurasi sebesar 0.9%, presisi sebesar 0.706%, recall sebesar 0.769%, dan f1-score
sebesar 0.9%.
Pada analisis fitur, ditemukan bahwa beberapa fitur memiliki kontribusi yang
signifikan dalam prediksi kategori berat badan dan tinggi badan. Misalnya, fitur usia, jenis
kelamin, dan indeks massa tubuh (BMI) terbukti menjadi faktor penting dalam membedakan
kategori berat badan dan tinggi badan.
Pembahasan dilakukan untuk menginterpretasikan hasil penelitian dan memberikan
pemahaman tentang temuan yang ditemukan. Hasil yang akurat dari model prediksi SVM
menunjukkan potensi penggunaan algoritma ini dalam memprediksi kategori berat badan dan
tinggi badan dengan menggunakan fitur-fitur yang relevan.
Selanjutnya, pembahasan juga dapat mencakup perbandingan hasil dengan penelitian
terdahulu yang serupa. Jika ada perbedaan hasil, perbedaan tersebut dapat dijelaskan melalui
perbedaan dataset, metode, atau pemilihan fitur yang digunakan dalam penelitian.
Selain itu, pembahasan juga dapat mencakup implikasi praktis dari penelitian ini
dalam bidang kesehatan dan kebugaran. Misalnya, model prediksi ini dapat digunakan dalam
program pemantauan kesehatan individu atau dalam evaluasi pertumbuhan anak-anak.
Implikasi potensial lainnya adalah dalam pengembangan sistem penilaian gizi yang lebih
efektif.

Evaluasi Kinerja Model

1. Akurasi
Akurasi adalah metrik yang mengukur sejauh mana model dapat memprediksi dengan
benar kategori berat badan dan tinggi badan. Akurasi dapat diinterpretasikan sebagai
persentase prediksi yang benar dari keseluruhan prediksi yang dilakukan oleh model.
Semakin tinggi akurasi, semakin baik kinerja model dalam memprediksi kategori
berat badan dan tinggi badan.

(Gambar Akurasi 1.1)

2. Presisi dan Recall
Presisi dan recall memberikan wawasan yang lebih rinci tentang kinerja model SVM
dalam memprediksi setiap kategori berat badan dan tinggi badan secara individual.
Presisi menggambarkan seberapa akurat model dalam mengklasifikasikan sampel
sebagai positif, sedangkan recall menggambarkan seberapa baik model
mengidentifikasi keseluruhan jumlah sampel positif.
 (Gambar Presisi dan Recall 1.2)
3. F1 Score
F1-score menggambarkan keseluruhan kinerja model dengan mempertimbangkan
baik presisi maupun recall. Nilai F1-score berkisar antara 0 hingga 1, di mana nilai 1
menunjukkan kinerja yang sempurna dan nilai 0 menunjukkan kinerja yang buruk.

(Gambar F1 Score 1.3)

Selain metrik di atas, tergantung pada penelitian yang dilakukan, peneliti juga dapat
menggunakan metrik lain seperti kurva ROC (Receiver Operating Characteristic), area di
bawah kurva ROC (AUC-ROC), atau metrik spesifik lainnya yang relevan dengan tujuan
penelitian.
Dalam paper, evaluasi kinerja model SVM dapat melibatkan perbandingan dengan
metode klasifikasi lainnya atau penelitian sebelumnya, serta interpretasi hasil evaluasi untuk
menggambarkan sejauh mana model SVM efektif dalam memprediksi kategori berat badan
dan tinggi badan pada dataset yang digunakan dalam penelitian.

Interpretasi Hasil Kategori Berat Badan dan Tinggi Badan

Hasil prediksi kategori berat badan dan tinggi badan menggunakan algoritma SVM
perlu diinterpretasikan untuk memahami sejauh mana model ini berhasil dalam
mengklasifikasikan individu ke dalam kategori yang tepat. Interpretasi ini dapat melibatkan
analisis terhadap kualitas prediksi untuk setiap kategori dan pemahaman tentang faktor yang
mempengaruhi hasil prediksi.
Berikut adalah beberapa aspek yang dapat dipertimbangkan dalam interpretasi hasil
kategori berat badan dan tinggi badan:

1. Akurasi dalam Kategori Berat Badan dan Tinggi Badan:

 a. Melihat tingkat akurasi dalam memprediksi kategori berat badan dan tinggi
badan secara keseluruhan.
b. Membandingkan akurasi untuk setiap kategori dengan melihat seberapa baik
model SVM dapat mengklasifikasikan individu ke dalam kategori yang benar.
2. Prediksi Kategori Berat Badan:
a. Menganalisis hasil prediksi untuk setiap kategori berat badan, seperti
underweight, normal weight, overweight, dan obese.
b. Menilai apakah model SVM berhasil mengklasifikasikan individu ke dalam
kategori berat badan dengan akurat.
c. Memeriksa apakah ada kategori berat badan tertentu yang lebih sulit untuk
diprediksi dengan baik.
3. Faktor Penentu dalam Prediksi:
a. Menganalisis faktor-faktor yang mempengaruhi hasil prediksi kategori berat
badan dan tinggi badan.
b. Mengevaluasi signifikansi fitur-fitur yang digunakan dalam model SVM untuk
memahami kontribusinya terhadap prediksi yang akurat.
c. Memeriksa apakah ada fitur-fitur yang lebih berpengaruh dalam memprediksi
kategori berat badan atau tinggi badan.

Interpretasi hasil ini akan memberikan wawasan yang lebih dalam tentang kualitas
prediksi model SVM dalam mengklasifikasikan individu ke dalam kategori berat badan dan
tinggi badan. Dengan pemahaman ini, implikasi dan manfaat penggunaan algoritma SVM
dalam konteks prediksi kategori berat badan dan tinggi badan dapat lebih dipahami dan
dievaluasi.

Kesimpulan dan Implikasi

Berdasarkan hasil dan analisis yang dilakukan, dapat diambil beberapa kesimpulan
dan implikasi sebagai berikut:
1. Kesimpulan:
a. Algoritma Support Vector Machines (SVM) dapat digunakan untuk
memprediksi kategori berat badan dan tinggi badan dengan tingkat akurasi
yang memadai.
b. Model SVM mampu mengklasifikasikan individu ke dalam kategori berat
badan dan tinggi badan dengan hasil yang memadai, terbukti dari nilai akurasi
yang tinggi dan performa yang baik dalam metrik evaluasi lainnya seperti
presisi, recall, dan F1-score.
2. Keunggulan SVM dalam Prediksi Kategori Berat Badan dan Tinggi Badan:
a. SVM mampu mengatasi masalah klasifikasi multikelas, sehingga dapat
memprediksi dengan akurat dalam beberapa kategori berat badan dan tinggi
badan sekaligus.
b. SVM mampu menangani data yang tidak linier dan dapat melakukan
transformasi fitur untuk meningkatkan performa prediksi.
3. Manfaat dan Implikasi:
a. Penggunaan algoritma SVM dalam prediksi kategori berat badan dan tinggi
badan dapat memberikan manfaat signifikan dalam konteks kesehatan,
kebugaran, dan penilaian individu.
b. Model SVM dapat digunakan dalam berbagai aplikasi, seperti penentuan
status gizi, perencanaan program diet, penilaian risiko kesehatan, dan
penyesuaian program olahraga yang sesuai.
 c.
4. Batasan dan Perluasan:
a. Penting untuk menyadari bahwa hasil prediksi dari model SVM dapat
dipengaruhi oleh kualitas data yang digunakan, termasuk keberadaan outlier
atau kekurangan representasi dalam sampel data.
b. Dalam penelitian selanjutnya, perlu dilakukan pengujian dan validasi yang
lebih luas dengan melibatkan dataset yang lebih besar dan beragam untuk
memastikan generalisasi yang lebih baik dari model SVM.
Dengan demikian, penggunaan algoritma Support Vector Machines dalam prediksi
kategori berat badan dan tinggi badan memiliki potensi untuk memberikan manfaat signifikan
dalam konteks kesehatan dan kebugaran. Namun, perlu dilakukan penelitian lebih lanjut dan
validasi untuk mengoptimalkan kinerja model SVM dan memperluas cakupan aplikasinya.

KESIMPULAN
Berdasarkan artikel ilmiah tentang "Prediksi Kategori Berat Badan dan Tinggi Badan
Menggunakan Algoritma Support Vector Machines", dapat diambil kesimpulan sebagai
berikut:
1. Algoritma Support Vector Machines (SVM) dapat digunakan secara efektif untuk
memprediksi kategori berat badan dan tinggi badan.
2. Model SVM menunjukkan kinerja yang baik dalam mengklasifikasikan individu ke
dalam kategori berat badan dan tinggi badan dengan tingkat akurasi yang memadai.
3. SVM mampu menangani masalah klasifikasi multikelas, sehingga memungkinkan
prediksi yang akurat untuk beberapa kategori berat badan dan tinggi badan sekaligus.
4. Keunggulan SVM terletak pada kemampuannya dalam mengatasi data yang tidak
linier dan kemampuan untuk melakukan transformasi fitur.
5. Penggunaan model SVM dalam prediksi kategori berat badan dan tinggi badan
memiliki manfaat dalam berbagai bidang, termasuk kesehatan, kebugaran, dan
penilaian individu.
6. Hasil penelitian ini memberikan implikasi praktis dalam aplikasi yang melibatkan
penentuan status gizi, perencanaan program diet, penilaian risiko kesehatan, dan
penyesuaian program olahraga yang sesuai.
7. Namun, perlu diingat bahwa hasil prediksi dari model SVM dapat dipengaruhi oleh
kualitas data yang digunakan dan diperlukan upaya lebih lanjut dalam menguji dan
memvalidasi model dengan menggunakan dataset yang lebih besar dan beragam.
Dengan demikian, penggunaan algoritma Support Vector Machines dalam prediksi kategori
berat badan dan tinggi badan dapat memberikan hasil yang baik dan memiliki potensi
manfaat dalam konteks kesehatan dan kebugaran.

REFERENSI
Marhamah2019IMPLEMENTASI ALGORITMA SUPPORT VECTOR MACHINE (SVM) DALAM
MEMPREDIKSI KELULUSAN JALUR MASUK PERGURUAN TINGGI BANDA ACEHBANDA ACEH
PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI
SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG 2014Magelang
PENERAPAN METODE SUPPORT VECTOR MACHINE UNTUK MENENTUKAN KELULUSAN UJI KENAIKAN
TINGKAT PENCAK SILAT MERPATI PUTIH DI UNIVERSITAS PEMBANGUNAN NASIONAL
YOGYAKARTA2021YOGYAKARTA
Platt1999 Probabilistic outputs for support vector machines and comparisons to regularized
likelihood methods. J. C.