Prediksi Status Kesehatan Berdasarkan Gaya Hidup Menggunakan Metode Decision Tree dan Feature Importance

Fajar  Ramadhan; Dio Herlambang; Ambrusius Paska Dipta

doi:10.31004/riggs.v4i4.5246

Authors

Fajar Ramadhan Universitas Bina Sarana Informatika
Dio Herlambang Universitas Bina Sarana Informatika
Ambrusius Paska Dipta Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.31004/riggs.v4i4.5246

Keywords:

Decision Tree, Prediksi Kesehatan, Gaya hidup, Feature Importance, Machine Learning

Abstract

Dalam kehidupan ini, gaya hidup dapat menjadi faktor penentu kualitas hidup seseorang, baik secara jasmani maupun secra rohani. Beberapa faktor yang dapat secara signifikan mempengaruhinya diantaranya seperti nutrisi, kebiasaan merokok, aktivitas fisik, tingkat stres, dan kesadaran diri(mindfullness), merupakan indikator penting yang mencerminkan bagaimana seseorang menjalani kesehariannya . Seiring dengan perkembangan teknologi machine learning yang menjadi sangat pesat di era saat ini,faktor-faktor tersebut dapat di evaluasi secara cepat dan akurat. Studi ini bertujuan untuk memprediksi status kesehatan berdasarkan beberapa indikator gaya hidup menggunakan metode Decision tree. Selain menghasilkan prediksi, model ini juga digunakan untuk mengevaluasi kontribusi relatif setiap fitur melalui analisis Feature importance, sehingga memperoleh pemahaman tentang faktor gaya hidup mana yang memiliki pengaruh terbesar terhadap status kesehatan. Model Decision Tree dianalisis menggunakan scikit-learn dengan pendekatan klasifikasi multikelas (Good,Average,Poor). akurasi yang dihasilkan oleh model dalam penelitian ini memperoleh hasil 80,68% dengan nilai makro F1 sebesar 0,72, yang menunjukkan kinerja stabil di semua kelas. Analisis kepentingan fitur menunjukkan bahwa kesadaran diri (mindfulness) adalah faktor yang paling dominan, diikuti oleh faktor nutrisi dan kebiasaan merokok, sementara fitur gaya hidup lainnya masih berkontribusi pada prediksi keseluruhan. Hasil ini menunjukkan bahwa decision tree mampu menjadi metode yang efisien,interaktif, dan tidak sulit untuk di interpretasikan dalam penilaian kesehatan berbasis data. Lebih lanjut, temuan mengenai faktor dominan dapat menjadi dasar untuk memberikan rekomendasi perubahan gaya hidup guna meningkatkan kesehatan individu.

Downloads

Download data is not yet available.

References

Anissa, A. I., & Qoiriah, A. (2025). Prediksi Tingkat Stres Berdasarkan Pola Hidup Menggunakan Machine Learning. 07, 292–300.

Artiyasa, M., & Yuda, G. S. (2025). Penerapan H2O AutoML untuk Prediksi Kanker Kolorektal. 4(1), 222–232.

Biyantoro, A. S., & Prasetiyo, B. (2024). Application of Decision Tree for Health Status Classification , Compared to KNN and Naive Bayes Penerapan Decision Tree untuk Klasifikasi Status Kesehatan dengan perbandingan KNN dan Naive Bayes. 4(1), 47–55.

Informatika, P. S., & Mandiri, U. N. (2022). Metode Naïve Bayes Untuk Memprediksi Penyakit Stroke.

Irwansyah, B., Jolyarni, N., Riswan, D., & Damanik, S. (2025). Volume 3 Nomor 3 Agustus 2025 DOI : https://doi.org/10.62027/sevaka.v3i3.554 PENYULUHAN PREDIKSI RISIKO RAMBUT RONTOK MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE ( SVM )

Karuniasari, W., & Prathivi, R. (2025). Komparasi Algoritma Random Forest dan XGBoost dalam Prediksi Premi Asuransi Kesehatan. 23(1), 118–125.

Meylani, A., Negara, E. S., Darma, U. B., & Selatan, S. (2022). Aplikasi Prediksi Kesehatan Menggunakan. 14(2), 208–215.

Miah, A. (2025). Holistic Health & Lifestyle Score Dataset. Kaggle. https://www.kaggle.com/datasets/miadul/holistic-health-and-lifestyle-score-dataset

Nawawi, I., & Fatah, Z. (2024). Penerapan Decision Trees dalam Mendeteksi Pola Tidur Sehat Berdasarkan Kebiasaan Gaya Hidup. 2(4), 34–41.

Novari, A. S., & S, U. K. N. (2024). Prediksi Faktor yang Mempengaruhi Hipertensi dengan Metode Data Mining untuk meningkatkan Pelayanan Kesehatan di UPT Puskesmas Ngoro. 1–16.

Prakoso, R. N., Rochim, S. I., Subarna, A., & K, M. E. (2025). Perbandingan Algoritma Naïve Bayes Dan Random Forest Dalam Klasifikasi Obesitas Berdasarkan Faktor Gaya Hidup. 09, 11–18.

Prianto, C., Angelina, R., & Hutabarat, P. (2025). Penerapan Algoritma Machine learning untuk Prediksi Gangguan Kesehatan Mental : Systematic Literature Review Application of Machine learning Algorithms for Predicting Mental Health Disorders : A Systematic Literature Review. 13(4), 510–518. https://doi.org/10.26418/justin.v13i4.95911

Rahayu, C. A., Hartono, R., & Sudiarjo, A. (2023). PREDIKSI PENDERITA DIABETES MENGGUNAKAN. 11(3).

Sabna, E., & Dewi, O. (2025). Prediksi Penyakit Stroke menggunakan Algoritma Decision Tree dan Naïve Bayes. 4(3), 1294–1299.

Sitohang, C., Ginting, F. E., Br, Y. M., Masyarakat, K., & Publik, K. (2024). Prediksi Jumlah Perokok dan Dampaknya terhadap Kesehatan Masyarakat Menggunakan Regresi Linear. 1(2), 512–516.

Wafa, H. S., Hadiana, A. I., Umbara, F. R., Terusan, J., Sudirman, J., Sel, K. C., & Cimahi, K. (2022). Prediksi Penyakit Diabetes Menggunakan Algoritma Support Vector Machine ( SVM ). 1, 40–45.