Identifikasi Prediktor Obesitas: Perbandingan Metode Seleksi Ciri Berbasis Korelasi dan Metode Wrapper pada Dataset Gizi

Variabel Nutrisi dalam Memprediksi Obesitas

Penelitian ini bertujuan untuk mengidentifikasi variabel nutrisi yang tepat yang diperoleh dari data bahan makanan yang dapat digunakan untuk memprediksi obesitas pada populasi Malaysia. Para peneliti menggunakan kumpulan data yang terdiri dari 15 variabel nutrisi yang dihasilkan dari 8.238 baris data bahan makanan mentah yang dikumpulkan dari 35 rumah tangga. Tujuannya adalah untuk menemukan sumber data alternatif di luar survei kesehatan nasional yang dapat digunakan untuk memprediksi tingkat obesitas.

 

Metode Pemilihan Fitur

Para peneliti menggunakan dua metode pemilihan fitur - metode pemilihan fitur berbasis korelasi (CFS) dan beberapa metode pembungkus yang menggabungkan berbagai algoritma klasifikasi. Tujuannya adalah untuk mengidentifikasi variabel nutrisi yang memiliki dampak paling signifikan terhadap pengembangan model prediksi obesitas yang akurat. Kinerja metode pemilihan fitur dievaluasi menggunakan skor area di bawah kurva (AUC). Hasil penelitian menunjukkan bahwa metode CFS mengungguli metode pembungkus, sehingga menghasilkan pemilihan variabel "asupan kalori" dan "tingkat piramida makanan 3%" sebagai prediktor yang paling sesuai untuk obesitas. Ketika variabel-variabel terpilih ini digunakan untuk mengembangkan model prediksi di delapan algoritma klasifikasi yang berbeda, algoritma Naive Bayes mencapai skor AUC tertinggi sebesar 0,84 menggunakan variabel-variabel terpilih CFS.

 

Meningkatkan Keandalan Prediktif dengan Data Belanjaan

 

Para peneliti menyimpulkan bahwa penggunaan data belanjaan dapat meningkatkan keandalan prediksi tingkat obesitas, dibandingkan dengan hanya mengandalkan data yang dilaporkan sendiri dari survei kesehatan nasional. Variabel nutrisi yang diidentifikasi dari data belanjaan, khususnya asupan kalori dan persentase tingkat piramida makanan 3, dapat berfungsi sebagai proksi yang efektif untuk prediksi obesitas.

 

Jalan Baru untuk Memprediksi Hasil Gizi dan Kesehatan

 

Pekerjaan ini membuka jalan baru untuk menggunakan sumber data alternatif di luar survei kesehatan tradisional untuk memprediksi hasil gizi dan kesehatan. Para peneliti berencana untuk lebih jauh mengembangkan kerangka kerja "Pemodelan Prediksi Obesitas Belanjaan ke Gizi (G2NOP)" yang mengintegrasikan prediktor yang diidentifikasi ke dalam proses prediksi obesitas. Kerangka kerja ini dapat memberikan panduan kepada otoritas kesehatan seperti Kementerian Kesehatan tentang pemanfaatan data belanjaan untuk peramalan obesitas yang lebih andal.

 

Keterbatasan Studi

Keterbatasan utama studi ini meliputi asumsi bahwa semua anggota rumah tangga mengonsumsi bahan makanan yang dibeli secara merata, potensi bias dalam data BMI yang dilaporkan sendiri, dan fokus hanya pada faktor gizi dan antropometri tanpa mempertimbangkan faktor lain yang menyebabkan obesitas. Penelitian di masa mendatang harus memvalidasi temuan menggunakan kumpulan data yang lebih besar dan lebih representatif serta mengeksplorasi integrasi variabel tambahan di luar data bahan makanan dan BMI.(Oleh Rafi AF)