Analisis Klasifikasi Tingkat Hidrasi Manusia Menggunakan Algoritma Machine Learning Berbasis Dataset Asupan Air Harian

Abstract

Kecukupan asupan air harian merupakan faktor penting dalam menjaga keseimbangan fisiologis tubuh manusia. Kekurangan cairan dapat menyebabkan gangguan kesehatan yang berdampak pada penurunan kinerja fisik maupun kognitif. Seiring berkembangnya bidang data science, pendekatan machine learning dapat dimanfaatkan untuk menganalisis dan memprediksi tingkat hidrasi seseorang berdasarkan karakteristik individu dan lingkungan. Penelitian ini bertujuan untuk mengklasifikasikan tingkat hidrasi manusia ke dalam kategori Good dan Poor menggunakan beberapa algoritma machine learning, yaitu Naive Bayes, K-Nearest Neighbor (KNN), dan Random Forest. Dataset yang digunakan merupakan dataset publik Daily Water Intake yang mencakup atribut usia, jenis kelamin, berat badan, tingkat aktivitas fisik, kondisi cuaca, serta jumlah asupan air harian. Tahapan penelitian meliputi proses preprocessing data, pelatihan model, dan evaluasi kinerja menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dalam mengklasifikasikan tingkat hidrasi dibandingkan algoritma lainnya. Penelitian ini diharapkan dapat menjadi referensi dalam penerapan machine learning untuk analisis kesehatan berbasis data.

GS Cited Analysis