SEGMENTASI RESIKO OBESITAS DAN PENYAKIT JANTUNG DENGAN ALGORITMA K-MEANS

Abstract

Abstrak
Penelitian ini bertujuan untuk melakukan segmentasi risiko obesitas dan penyakit jantung dengan menerapkan
algoritma K-Means dan mengidentifikasi faktor-faktor yang memengaruhi tingkat obesitas pada pasien pria dan
wanita. Faktor-faktor yang dianalisis mencakup usia, tinggi badan, berat badan, riwayat keluarga dengan berat
badan berlebih, frekuensi konsumsi makanan tinggi kalori, frekuensi konsumsi sayuran, jumlah makan utama
dalam sehari, kebiasaan ngemil, kebiasaan merokok, asupan air, pemantauan kalori, frekuensi aktivitas fisik, durasi
penggunaan perangkat teknologi, konsumsi alkohol, dan jenis transportasi yang digunakan. Hasil penelitian
menunjukkan bahwa analisis terbaik dari setiap metode dan optimasi K-Means menghasilkan nilai Davies-Bouldin
Index optimal pada n_clusters = 3 dengan nilai DBI 1.6545, serta nilai terbaik untuk Silhouette Coefficient pada
n_clusters = 4 dengan rata-rata 0.2445. Temuan ini menunjukkan bahwa K-Means merupakan metode yang paling
efektif untuk segmentasi risiko obesitas dan penyakit jantung. Meskipun nilai evaluasi clustering mungkin tidak
optimal, hal ini tidak selalu mencerminkan kualitas pemodelan; bisa jadi ini menunjukkan bahwa data tidak
terkelompok dengan jelas atau perlu penyesuaian parameter model. Oleh karena itu, evaluasi sebaiknya
digabungkan dengan pemahaman tentang domain dan analisis eksploratif untuk memastikan model clustering
sesuai dengan kebutuhan analisis