KLASIFIKASI LEVEL OBESITAS MENGGUNAKAN METODE HYPERPARAMETER XGBOOST DENGAN GRID SEARCH

Obesitas merupakan salah satu permasalahan global yang terus meningkat dan dapat menyebabkan berbagai penyakit kronis. Machine Learning dapat mengoptimalkan proses pengambilan keputusan dengan menyediakan wawasan prediktif dan berjalan secara otomatis. Penelitian ini bertujuan untuk mengklasifikasikan level obesitas menggunakan metode Extreme Gradient Boosting (XGBoost) dengan optimasi hyperparameter Grid Search. Dataset yang digunakan dalam penelitian ini berisi berbagai faktor yang mempengaruhi obesitas, seperti pola makan, aktivitas fisik, dan kebiasaan sehari-hari. Tahapan penelitian meliputi preprocessing data, encoding fitur kategorikal, normalisasi fitur numerik, seleksi fitur, serta pembagian data menjadi training dan testing set. Model XGBoost kemudian dilatih dengan berbagai kombinasi hyperparameter yang dioptimalkan menggunakan Grid Search untuk menemukan kombinasi parameter terbaik. Evaluasi dilakukan dengan dua skenario pembagian data 80:20 dan 90:10 dengan menggunakan Grid Search dan tanpa Grid Search. Hasil menunjukkan bahwa model yang dioptimasi dengan Grid Search memiliki peforma yang jauh lebih baik, dengan akurasi mencapai 96% dan nilai precision, recall, dan f1-score di atas 0.95. Sebaliknya, model tanpa optimasi hanya mencapai akurasi 79%. Hal ini membuktikan bahwa teknik optimasi seperti Grid Search sangat penting dalam membangun model klasifikasi yang lebih akurat dan dapat digunakan dalam mendeteksi tingkat obesitas.