ANALISIS PERBANDINGAN ALGORITMA LINEAR REGRESSION DAN RANDOM FOREST REGRESSION UNTUK PREDIKSI OBESITAS BERDASARKAN DATASET KAGGLE MENGGUNAKAN KNIME

Menurut Data World Health Organization (WHO), pada tahun 2021, obesitas terhadap anak kecil dan remaja yang berusia 5 - 19 tahun naik sebesar 10% menjadi 10,8% di tahun 2022[3]. Kemudian Riset Kesehatan Dasar (Riskesdas) juga mencatat
peningkatan obesitas dari 15,4% di tahun 2013 menjadi 21,8% di tahun 2018. Peningkatan ini berarti obesitas menjadi penyakit yang perlu mendapatkan perhatian lebih. Dari permasalahan diatas, maka penulis mencari sumber rujukan data berasal dari website Kaggle mengenai obesitas yang berjudul “Obesity Levels & Life Style”, sebanyak 2.111 baris dan 17 kolom yang akan diolah. Kemudian, penulis melakukan
proses analisis menggunakan aplikasi KNIME, dengan menggunakan dua algoritma yaitu algoritma Linear Regression dan Random forest Regression. Penelitian ini memiliki tahapan, yaitu pengumpulan data, understanding data, preprocessing, implementasi algoritma, hingga evaluasi model. Hasil dari penilaian model menggunak tiga metrik
utama, yaitu R-squared (R2), Mean Absolute Error (MAE), dan Mean Squared Error (MSE). Nilai model Random Forest Regression mempunyai performa yang lebih baik dengan nilai R2 0,644, nilai MAE 11,653, dan nilai MSE 249,358. Sementara itu, Linear Regression menghasilkan R2 0,44, nilai MAE 16,169, dan MSE 392,248.