Record Detail Back
Klasifikasi Risiko Kolesterol Tinggi Menggunakan Algoritma Xgboost Dengan Teknik Smote Untuk Balancing Data Dan Rekomendasi Pola Hidup Sehat
- Share to:
Permasalahan stres yang dialami individu dapat berdampak pada kesehatan mental dan produktivitas apabila tidak terdeteksi sejak dini. Perkembangan teknologi kecerdasan buatan memungkinkan deteksi kondisi stres dilakukan secara objektif melalui analisis ekspresi wajah. Penelitian ini bertujuan untuk merancang dan mengimplementasikan model prediksi stres berbasis ekspresi wajah menggunakan pendekatan hibrida Convolutional Neural Network (CNN) dan Random Forest. Dataset Facial Expression Recognition dipetakan ke dalam dua kelas, yaitu stres dan non-stres, untuk mendukung klasifikasi biner. CNN digunakan sebagai feature extractor untuk mengekstraksi fitur visual citra wajah, sedangkan Random Forest digunakan sebagai algoritma klasifikasi akhir. Evaluasi performa model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model CNN memperoleh akurasi sebesar 75%, Random Forest sebesar 68%, sedangkan model Hybrid CNN–Random Forest menghasilkan akurasi tertinggi sebesar 85% dengan rata-rata precision 0,86, recall 0,85, dan F1- score 0,85. Hasil tersebut menunjukkan bahwa kombinasi CNN dan Random Forest mampu meningkatkan performa klasifikasi dibandingkan penggunaan masingmasing model secara terpisah. Model yang dihasilkan kemudian diimplementasikan dalam sistem berbasis API dan aplikasi Mobile untuk melakukan prediksi stres secara real-time
APA Citation
Hanif Muthiar Tsani. ().Klasifikasi Risiko Kolesterol Tinggi Menggunakan Algoritma Xgboost Dengan Teknik Smote Untuk Balancing Data Dan Rekomendasi Pola Hidup Sehat.(Electronic Thesis or Dissertation). Retrieved from https://localhost/etd