Prediksi Keputusan Memulai Diet Pada Usia Pemuda di Jakarta Pendekatan Machine Learning

Authors

  • Fais Jefli Politeknik Statistika STIS

DOI:

https://doi.org/10.32493/sm.v8i2.54171

Keywords:

Diet, Machine Learning, XGBoost

Abstract

Obesitas merupakan permasalahan global yang juga dihadapi oleh banyak negara berkembang, termasuk Indonesia. Tingginya prevalensi obesitas sentral pada kelompok usia muda (16–30 tahun), khususnya di DKI Jakarta yang mencatatkan tingkat obesitas sentral tertinggi secara nasional, menunjukkan adanya paradoks. Secara teoritis, kelompok usia muda di wilayah perkotaan seperti Jakarta seharusnya lebih aktif secara fisik. Sehingga penelitian ini bertujuan untuk memprediksi keputusan pemuda di Jakarta pada tahun 2024 untuk memulai diet dengan menggunakan pendekatan machine learning. Tiga algoritma yang dibandingkan dalam penelitian ini adalah Naive Bayes, XGBoost dan regresi logistic sebagai baseline. Hasil analisis menunjukkan bahwa model XGBoost memiliki performa terbaik dalam memprediksi keputusan pemuda untuk memulai diet, ditunjukkan oleh nilai AUC tertinggi. Berdasarkan analisis nilai SHAP, empat variabel yang memberikan kontribusi terbesar terhadap prediksi adalah umur, jenis kelamin, komentar negatif, dan pergaulan sehat. Nilai SHAP positif pada variabel pergaulan sehat menunjukkan bahwa lingkungan keluarga atau teman yang menerapkan pola hidup sehat meningkatkan kemungkinan prediksi pemuda tersebut untuk memulai diet dari 205 responden penelitian.

References

1. [Article] Chung, S. J., Ersig, A. L., & McCarthy, A. M. (2017). The Influence of Peers on Diet and Exercise Among Adolescents: A Systematic Review. Journal of pediatric nursing, 36, 44–56. https://doi.org/10.1016/j.pedn.2017.04.010

2. [Article] Davy, S. R., Benes, B. A., & Driskell, J. A. (2006). Sex Differences in Dieting Trends, Eating Habits, and Nutrition Beliefs of a Group of Midwestern College Students. Journal of the American Dietetic Association, 106(10), 1673–1677. https://doi.org/10.1016/j.jada.2006.07.017

3. [Article] Haynos, A. F., Wall, M. M., Chen, C., Wang, S. B., Loth, K., & Neumark-Sztainer, D. (2018). Patterns of weight control behavior persisting beyond young adulthood: Results from a 15-year longitudinal study. International Journal of Eating Disorders, 51(9), 1090–1097. https://doi.org/https://doi.org/10.1002/eat.22963

4. [Book] James, G., Witten, D., Hastie, T., & Tibshirani, R. (2021). An Introduction to Statistical Learning (2nd ed.). Springer New York, NY. https://doi.org/https://doi.org/10.1007/978-1-0716-1418-1

5. [Book] Kemenkes. (2015). Pedoman Umum Pengendalian Obesitas.

6. [Book] Kemenkes. (2019). Laporan Nasional Riskesdas 2018. Kementerian Kesehatan Republik Indonesia. https://repository.kemkes.go.id/book/1323

7. [Book] Kemenkes. (2023a). Panduan Hari Obesitas Sedunia Tahun 2023. https://ayosehat.kemkes.go.id/buku-panduan-hari-obesitas-sedunia-2023

8. [Book] Kemenkes. (2023b). Survei Kesehatan Indonesia (SKI) 2023 Dalam Angka.

9. [Article] Matera, C., Nerini, A., & Stefanile, C. (2013). The role of peer influence on girls’ body dissatisfaction and dieting. Revue Européenne de Psychologie Appliquée, 63, 67–74. https://doi.org/10.1016/j.erap.2012.08.002

10. [WEB] Riadi, Muchlisin. (2021). Fungsi, Aspek dan Jenis-jenis Diet. https://www.kajianpustaka.com/2019/08/fungsi-aspek-dan-jenis-jenis-diet.html

11. [Article] Ok, E., & Emmanuel, M. (2025). XGBoost Model Optimization Techniques.

12. [Article] Oktrisia, C., Prabamurti, P. N., & Shaluhiyah, Z. (2021). Beberapa Faktor yang Berhubungan dengan Perilaku Diet Remaja Akhir Usia 18–22 Tahun pada Konsumen Herbalife di Kota Semarang. Jurnal Kesehatan Masyarakat, 9(2), 157–165. https://doi.org/10.14710/jkm.v9i2.29467

13. [Article] Prastiwi, evi dwi, agustina, wiwik, & Fatmawati, diana noor. (2019). PENGARUH OBESITAS SENTRAL TERHADAP STATUS KESEHATAN KARYAWAN. Jurnal Ilmiah Kesehatan Media Husada, 8(1), 1–7. https://doi.org/10.33475/jikmh.v8i1.184

14. [Article] Rodríguez-Pérez, R., & Bajorath, J. (2020). Interpretation of machine learning models using shapley values: application to compound potency and multi-target activity predictions. Journal of Computer-Aided Molecular Design, 34. https://doi.org/10.1007/s10822-020-00314-0

15. [Article] Tan, Y. W. B., Lau, J. H., AshaRani, P. V, Roystonn, K., Devi, F., Lee, Y. Y., Whitton, C., Wang, P., Shafie, S., Chang, S., Jeyagurunathan, A., Chua, B. Y., Abdin, E., Sum, C. F., Lee, E. S., & Subramaniam, M. (2022). Dietary patterns of persons with chronic conditions within a multi-ethnic population: results from the nationwide Knowledge, Attitudes and Practices survey on diabetes in Singapore. Archives of Public Health, 80(1), 62. https://doi.org/10.1186/s13690-022-00817-2

16. [Book] World Health Organization. (2000). Obesity: Preventing and Managing the Global Epidemic. Report of a WHO consultation. World Health Organization.

17. [Book] World Health Organization. (2003). Diet, Nutrition and the Prevention of Chronic Diseases: Report of a Joint WHO/FAO Expert Consultation, Geneva, 28 January - 1 February 2002. World Health Organization. https://iris.who.int/handle/10665/42665

Downloads

Published

2026-08-31

How to Cite

Jefli, F. (2026). Prediksi Keputusan Memulai Diet Pada Usia Pemuda di Jakarta Pendekatan Machine Learning. STATMAT: Jurnal Statistika Dan Matematika, 8(2), 218–226. https://doi.org/10.32493/sm.v8i2.54171

Issue

Section

Articles

Similar Articles

1 2 > >> 

You may also start an advanced similarity search for this article.