Analisis Perbandingan Model Decision Tree dan K-Nearest Neighbors (KNN) untuk Estimasi Body Fat Percentage
Isi Artikel Utama
Abstrak
Persentase lemak tubuh atau Body Fat Percentage (BFP) merupakan parameter penting untuk mengevaluasi kondisi
kesehatan dan tingkat obesitas. Namun, pengukuran BFP secara langsung membutuhkan perangkat khusus seperti
BodPod atau DEXA yang tidak selalu tersedia dan memerlukan biaya tinggi. Oleh karena itu, prediksi BFP berbasis
machine learning menjadi alternatif yang lebih efisien. Penelitian ini bertujuan untuk membandingkan kinerja dua
algoritma regresi, yaitu Decision Tree Regression dan K-Nearest Neighbors (KNN) Regression, dalam
memprediksi BFP berdasarkan variabel antropometri. Dataset yang digunakan terdiri dari 252 sampel dengan 14 fitur
seperti density, umur, berat badan, tinggi badan, lingkar perut, pinggul, dan lainnya. Evaluasi model menggunakan
metrik MAE, MSE, RMSE, dan R². Hasil penelitian menunjukkan bahwa Decision Tree memiliki performa lebih baik
dengan MAE 0,5627, RMSE 1,4049, dan R² sebesar 0,9575, sedangkan KNN menghasilkan MAE 2,4937, RMSE
3,0547, dan R² sebesar 0,7994. Dengan demikian, Decision Tree lebih direkomendasikan untuk estimasi BFP
menggunakan data antropometri.
##plugins.themes.bootstrap3.displayStats.downloads##
Rincian Artikel
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
Hak cipta pada setiap artikel adalah milik penulis, dan penulis mengakui bahwa Jnanaloka sebagai pihak yang mempublikasikan pertama kali dengan lisensi Creative Commons Attribution (CC BY). Lisensi ini mengijinkan untuk, Berbagi yakni menyalin dan menyebarluaskan kembali materi ini dalam bentuk atau format apapun; dan Adaptasi yakni menggubah, mengubah, dan membuat turunan dari materi iniuntuk kepentingan apapun, termasuk kepentingan komersial dengan ketentuan Atribusi
Cara Mengutip
Referensi
R. Article, “Emerging and Current Trend in the Investigation of Obesity in Clinical Practice,” 2018, doi:
4103/jhrr.jhrr.
J. Rao, C. Ding, Y. Shi, X. Huang, H. Bao, and X. Cheng, “Association of body fat percentage with diabetes in
hypertensive adults of different genders : a cross-sectional study,” no. March, pp. 1–9, 2025, doi:
3389/fendo.2025.1467886.
“Vücut Kompozisyonu Belirlenmesinde Altın Standart Densitometri Teknikleri Kullanımı Özet Use of Gold
Standard Densitometry Techniques in the Determination of Body Composition,” pp. 295–316, 2025, doi:
70007/yalovaspor.1753807.
D. A. Fields, M. I. Goran, and M. A. Mccrory, “Body-composition assessment via air-displacement
plethysmography in adults and children : a review 1 – 3,” Am. J. Clin. Nutr., vol. 75, no. 3, pp. 453–467, 2002,
doi: 10.1093/ajcn/75.3.453.
H. Amro, “Journal of the Arab American University
الامريكية
للبحوث
مجلة
ل
اجامعة
ل
اعربية
Prediction of Body
Fat Percentage Based on Anthropometric Measurements Using Data Mining Approach Prediction of Body Fat
Percentage Based on Anthropometric Measurements,” vol. 7, no. 2, 2021.
S. A. Hussain and N. Cavus, “applied sciences Hybrid Machine Learning Model for Body Fat Percentage
Prediction Based on Support Vector Regression and Emotional Artificial Neural Networks,” 2021.
D. F. Santos, “Predicting Body Fat Percentage : A Predicting Body Fat Percentage : A Machine Learning
Approach,” 2023, doi: 10.20944/preprints202310.0929.v1.
.
R. W. Yulianti, F. Budiman, and D. Kurniawan, “Analisis Perbandingan Algoritma K-Nearest Neighbor dan
Decision Tree dalam Klasifikasi Tingkat Obesitas,” vol. 7, pp. 365–374, 2025, doi: 10.30865/json.v7i2.9227.
I. D. Mienye and N. Jere, “A Survey of Decision Trees : Concepts , Algorithms , and Applications,” IEEE Access,
vol. PP, p. 1, 2024, doi: 10.1109/ACCESS.2024.3416838.
R. Hadi, N. Luh, G. Pivin, I. G. Ngurah, and A. Kusuma, “Implementasi Metode Normalisasi dan Seleksi Fitur
dalam Optimasi Algoritma K-Nearest Neighbor ( KNN ) untuk Klasifikasi Data Bank,” vol. 7, no. 5, pp. 1064
, 2024.
K. Eldora and E. Fernando, “Comparative Analysis of KNN and Decision Tree Classification Algorithms for
Early Stroke Prediction : A Machine Learning Approach,” vol. 6, no. 1, pp. 313–338, 2024, doi:
51519/journalisi.v6i1.664.
H. Syahidah and N. Irsandi, “Obesity Prediction Using Machine Learning Algorithms,” vol. 2, no. February, pp.
–62, 2025.
Y. Qiu, “Comparative Analysis of Predictive Models for Estimating Body Fat Percentage Using Three Models,”
no. Icdse, pp. 594–598, 2024, doi: 10.5220/0012866600004547.
Z. Fan, R. C. Id, Z. Hu, F. K. Id, and F. Chiong, “Body fat prediction through feature extraction based on
anthropometric and laboratory measurements,” pp. 1–24, 2022, doi: 10.1371/journal.pone.0263333.
A. W. Putri and S. Saepudin, “Perancangan Enterprise Architecture Sistem Informasi Toko Buah Berbasis
Website dengan Framework TOGAF ADM,” J. Sains Komput. Inform., vol. 8, no. 1, pp. 85–93, 2024.