Klasifikasi Level Obesitas Menggunakan Metode Multiclass Support Vector Machine Berbasis Aplikasi Orange

Obesitas merupakan masalah kesehatan global dengan prevalensi yang terus meningkat. Klasifikasi level obesitas secara manual memerlukan waktu lama dan berpotensi menimbulkan kesalahan subjektif. Penelitian ini bertujuan untuk menerapkan algoritma Multiclass Support Vector Machine (SVM) dengan kernel Radial Basis Function (RBF) dalam mengklasifikasikan level obesitas ke dalam tujuh kelas berdasarkan dataset Obesity Levels Estimation dari UCI Machine Learning Repository yang terdiri dari 2.111 data dengan 16 atribut fitur. Penelitian diimplementasikan menggunakan perangkat lunak Orange Data Mining dengan pendekatan visual programming melalui tahapan preprocessing (one-hot encoding dan min-max normalization), implementasi Multiclass SVM dengan strategi one-vs-one, serta evaluasi menggunakan 5-Fold Cross Validation dan Split Data 80:20. Hasil penelitian menunjukkan bahwa algoritma Multiclass SVM dengan kernel RBF mencapai akurasi rata-rata 86,59% pada cross validation dan 86,97% pada data uji split 80:20. Kelas Obesity Type III memiliki performa terbaik dengan F1-Score 92,50%, sedangkan kelas Overweight Level I dan II memiliki performa terendah dengan F1-Score masing-masing 81,60% dan 81,80% akibat tumpang tindih karakteristik dengan kelas obesitas ringan. Analisis fitur penting mengidentifikasi bahwa berat badan (23,45%), tinggi badan (12,67%), dan usia (8,92%) merupakan tiga fitur paling dominan. Perbandingan kernel menunjukkan bahwa kernel RBF (86,59%) unggul dibandingkan kernel polynomial (84,51%) dan linear (82,33%). Penelitian ini berkontribusi dalam menyediakan skema implementasi Multiclass SVM pada Orange Data Mining yang mudah direplikasi serta menjadi baseline bagi pengembangan sistem pendukung keputusan klasifikasi level obesitas.