Proyek ini bertujuan untuk membangun model prediksi obesitas berdasarkan berbagai faktor gaya hidup, pola makan, dan kondisi fisik individu. Data yang digunakan berasal dari negara Meksiko, Peru, dan Kolombia, dengan total 2111 data individu yang mencakup 17 atribut.
Label target dalam dataset ini adalah Obesity Level yang dikategorikan ke dalam beberapa kelas:
✅ Insufficient Weight (Berat Kurang)
✅ Normal Weight (Berat Normal)
✅ Overweight Level I & II (Kelebihan Berat Badan Level I & II)
✅ Obesity Type I, II, III (Obesitas Tipe I, II, III)
Model prediksi ini dapat digunakan dalam dunia medis dan kebugaran untuk membantu identifikasi obesitas serta memberikan rekomendasi kesehatan.
Dataset ini mencakup informasi gaya hidup individu, pola makan, serta faktor lain yang berkontribusi terhadap obesitas. Berikut beberapa atribut penting dalam dataset:
| Atribut | Deskripsi |
|---|---|
| Gender | Jenis kelamin individu |
| Age | Usia individu |
| Height | Tinggi badan (meter) |
| Weight | Berat badan (kg) |
| Family History | Apakah ada riwayat obesitas dalam keluarga? (Ya/Tidak) |
| FAVC | Apakah sering mengonsumsi makanan berkalori tinggi? (Ya/Tidak) |
| FCVC | Seberapa sering mengonsumsi sayuran? (Skala 1-3) |
| NCP | Berapa kali makan utama dalam sehari? |
| CAEC | Apakah sering ngemil di antara waktu makan utama? |
| SMOKE | Apakah merokok? (Ya/Tidak) |
| CH2O | Seberapa banyak konsumsi air per hari? (Skala 1-3) |
| SCC | Apakah menghitung kalori makanan yang dikonsumsi? (Ya/Tidak) |
| FAF | Seberapa sering berolahraga? (Skala 0-3) |
| TUE | Seberapa lama menggunakan perangkat teknologi setiap hari? (Skala 0-2) |
| CALC | Seberapa sering mengonsumsi alkohol? |
| MTRANS | Jenis transportasi yang digunakan sehari-hari |
| Obesity Level | Kategori obesitas individu (Target Prediksi) |
✅ Data Preprocessing:
- Membersihkan data dan menangani nilai yang hilang
- Normalisasi dan encoding fitur kategorikal
✅ Evaluasi Model:
Model akan dievaluasi berdasarkan akurasi, presisi, recall, dan F1-score untuk memastikan performa terbaik.
Model terbaik yang digunakan dalam proyek ini memberikan akurasi tinggi dalam prediksi obesitas berdasarkan data yang tersedia. Hasil ini dapat digunakan sebagai alat bantu bagi tenaga medis dan profesional kebugaran untuk memahami faktor risiko obesitas pada individu.
Jika Anda tertarik untuk berkontribusi atau ingin bertanya, jangan ragu untuk membuat issue atau pull request di repository ini! 🚀