Analisis Prediksi Gender pada Data Member Gym Menggunakan Algoritma Logistic Regression
DOI:
https://doi.org/10.31316/jdi.v15i1.422Keywords:
Data Mining, Klasifikasi, Logistic Regression, Indeks Massa Tubuh (BMI), cross validation.Abstract
Data kesehatan dan kebugaran fisik memiliki pola yang berbeda dan unik di setiap jenis kelamin. Namun, pemanfaatan data tersebut untuk identifikasi seringkali belum mencapai hasil yang optimal. Penelitian ini bertujuan untuk menerapkan teknik data mining untuk mengklasifikasikan jenis kelamin berdasarkan atribut berat badan, jenis olahraga dan Body Mass Index (BMI). Algoritma klasifikasi yang digunakan untuk membangun model yaitu algoritma Logistic Regression. Evaluasi pada model dilakukan dengan menggunakan metode Cross Validation untuk memastikan bahwa model valid saat pengujiannya. Berdasarkan hasil penelitian, model yang dibuat mampu menghasilkan kinerja yang baik dengan akurasi mencapai 96,61%. Hasil evaluasi confusion matrix juga menunjukkan hasil nilai recall dan presisi memiliki nilai yang seimbang di atas 95% untuk kedua kelas prediksi. Hal ini membuktikan bahwa atribut fisik dan kebiasaan olahraga yang diimplementasikan merupakan variabel yang signifikan dalam penentuan klasifikasi jenis kelamin.
Downloads
Published
Versions
- 2026-03-04 (3)
- 2026-03-04 (2)
- 2026-03-01 (1)
Issue
Section
License
Copyright (c) 2026 LUCKY PRIMANDA SAPUTRA UNIVERSITAS PANCASAKTI TEGAL
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Authors who publish with this journal agree to the following terms:
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution-ShareAlike 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).
