View/Open

Author
Daffa, 'Ahmad Naufal

Date Published
26 Jun 2026

Advisor
Christyan Tamaro Nadeak, S.Si., M.Si.,
Fitri Nurjanah, S.Si., M.Mat.,

Subject
Sains Data

Publisher

Obesitas memerlukan identifikasi tingkat keparahan yang lebih rinci karena klasifikasinya mencakup beberapa tingkat. Penelitian ini bertujuan merancang dan mengimplementasikan pendekatan hibrida Support Vector Machine (SVM) berbasis strategi rekursi melalui Directed Acyclic Graph One-vs-One (DAG-OvO) dan Directed Acyclic Graph Rest-vs-Rest (DAG-RvR), serta mengevaluasi performanya pada klasifikasi multikelas tingkat obesitas. Dataset yang digunakan adalah Estimation of Obesity Levels Based on Eating Habits and Physical Condition dari UCI Machine Learning Repository yang terdiri atas 2.111 data, 17 fitur, dan tujuh kelas. Tahapan penelitian meliputi eksplorasi data, data cleaning, encoding, pembagian data, standarisasi, optimasi hyperparameter, pelatihan model, dan evaluasi. Hasil menunjukkan DAG-OvO memperoleh accuracy, precision, recall, dan F1-score sebesar 0,9633; 0,9627; 0,9622; dan 0,9620, sedangkan DAG-RvR memperoleh 0,8565; 0,8491; 0,8501; dan 0,8487. Dari sisi waktu, DAG-RvR lebih efisien dengan pelatihan 0,0893 detik dan pengujian 0,4998 detik dibandingkan DAG-OvO sebesar 0,2658 detik dan 1,1529 detik. Dibandingkan SVM konvensional, DAG-OvO setara dengan OvO pada accuracy 0,9633, sedangkan DAG-RvR sedikit di bawah OvR 0,8612. Perbandingan ini menunjukkan SVM hibrida lebih cepat pada pelatihan, tetapi SVM konvensional lebih cepat pada pengujian. Kesimpulannya, DAG-OvO lebih unggul pada performa klasifikasi, sedangkan DAG-RvR lebih efisien pada komputasi.

URI
https://repo.itera.ac.id/depan/submission/SB2609150047

Keyword
DAG-OVO DAG-RVR klasifikasi multikelas obesitas