Abstract:
Berbagai macam penyakit degeneratif seperti penyakit jantung dan stroke,
dapat muncul akibat dari obesitas. Oleh karena itu, penting adanya pengetahuan
dalam kasus tingkat obesitas sehingga dapat dilakukan penanganan dini, caranya
yaitu dengan teknik klasifikasi. ELM merupakan metode pembelajaran baru dari
jaringan syaraf tiruan dengan single hidden layer atau biasa disebut single hidden
layer feedforward neural network. Data obesitas yang digunakan dalam penelitian
ini merupakan data tidak seimbang, pada beberapa kasus hal ini dapat
berpengaruh terhadap hasil klasifikasi. SMOTE merupakan metode oversampling
yang sudah terbukti dapat menangani data tidak seimbang. Tujuan penelitian ini
adalah untuk mengetahui seberapa besar pengaruh SMOTE dalam klasifikasi
tingkat kemungkinan obesitas menggunakan ELM. Dari pegujian yang telah
dilakukan didapatkan bahwa kinerja paling tinggi pada data tanpa penambahan
SMOTE didapat pada jumlah 100 hidden neuron dengan akurasi 67?n AUC
0,81. Sedangkan untuk data dengan penambahan SMOTE diperoleh hasil paling
tinggi pada 500 hidden neuron dengan akurasi 84?n AUC 0,93.
