Prediksi Fluktuasi Berat Badan Berdasarkan Pola Hidup Menggunakan Model XGBoost dan Deep Learning
Abstrak
Kenaikan tingkat obesitas global tiga kali lipat sejak 1975 mendorong pengembangan solusi teknologi berbasis prediksi berat badan untuk mitigasi risiko penyakit. Penelitian ini mengimplementasikan tiga model Decision Tree Regressor, XGBoost Regressor, dan Deep Learning. Memproyeksikan berat badan akhir berdasarkan variabel fisiologis (usia, jenis kelamin, BMR), nutrisi (asupan kalori, surplus/defisit), dan gaya hidup (aktivitas fisik, tidur, stres). Dataset multidimensi dari posyandu mencakup perhitungan TDEE dan estimasi BMR menggunakan Harris-Benedict Equation. Evaluasi dengan RMSE dan R² menunjukkan XGBoost sebagai model terbaik (RMSE: 5.65; R²: 0.974), mengungguli Decision Tree (RMSE: 10.68; R²: 0.908) dan Deep Learning (RMSE: 10.4; R²: 0.913). Kendala utama meliputi overfitting pada Decision Tree serta ketidakmampuan Deep Learning menangkap outlier akibat vanishing gradient. Analisis mengidentifikasi keseimbangan energi, representasi data ekstrem, dan regularisasi sebagai faktor penentu stabilitas model. Optimasi hyperparameter (learning rate, max_depth) dan augmentasi data direkomendasikan untuk meningkatkan generalisasi. Temuan ini menyediakan kerangka inovatif bagi teknologi kesehatan berbasis data, memperkuat peran kecerdasan buatan dalam intervensi kesehatan publik yang presisi. Implikasi praktisnya, penelitian ini mendorong adopsi model prediktif ter optimalkan dengan integrasi variabel multidimensi untuk akurasi tinggi, sekaligus menyoroti kebutuhan penanganan outlier dan validasi klinis lanjutan guna memastikan relevansi dalam skenario dunia nyata.
Identifier
- DOI: https://doi.org/10.33364/algoritma/v.22-1.2253
- OpenAlex: https://openalex.org/W4411843934

