DIAGNOSIS PCOS BERDASARKAN FAKTOR GAYA HIDUP DAN FAKTOR REPRODUKSI MENGGUNAKAN REGRESI LOGISTIK DAN RANDOM FOREST
Journal of Data Science Methods and Applications · 20.06.2026 · 2 (1) · 1-11
DOI: 10.30873/jodmapps.v2i1.1462 ↗Kurz gefasst
Fachartikel in der Zeitschrift Journal of Data Science Methods and Applications, online erschienen am 20.06.2026. Verfasst von Hendra Kurniawan und 6 weiteren Autor:innen.
Abstract (Originalsprache)
Sindrom Ovarium Polikistik (PCOS) adalah kelainan endokrin umum terjadi pada wanita usia reproduksi dengan prevalensi global berkisar antara 6-21%. Penanganan PCOS saat ini masih terbatas pada pengobatan simtomatik tanpa menyentuh akar penyebabnya. Penelitian ini bertujuan membangun model prediksi akurat untuk diagnosis PCOS di Indonesia dengan menganalisis faktor gaya hidup dan reproduksi menggunakan algoritma machine learning seperti Regresi Logistik dan Random Forest. Dataset penelitian terdiri dari 541 catatan pasien yang dibagi menjadi 80% untuk pelatihan dan 20% untuk pengujian. Data dinormalisasi menggunakan metode Min Max Scaler, dan ketidakseimbangan kelas diatasi dengan metode SMOTE (Synthetic Minority Oversampling Technique). Model divalidasi menggunakan metode K-Fold Cross Validation dan dievaluasi berdasarkan akurasi, presisi, recall, dan F1-Score. Hasil penelitian menunjukkan bahwa Regresi Logistik dengan SMOTE dalam memprediksi faktor reproduksi mencapai akurasi tertinggi (82%), sementara Random Forest dengan SMOTE menunjukkan performa yang lebih stabil berdasarkan rata-rata akurasi terutama untuk faktor reproduksi. Analisis kurva ROC juga mengungkapkan bahwa Regresi Logistik dengan SMOTE dalam prediksi faktor reproduksi juga memiliki AUC tertinggi (0.84) yang menjadikan model Regresi Logistik lebih unggul dalam memprediksi diagnosis dibandingkan dengan Random Forest. Penelitian ini menegaskan bahwa faktor reproduksi memiliki peran yang lebih dominan dalam memprediksi PCOS dibandingkan faktor gaya hidup dengan memanfaatkan algoritma machine learning dapat secara efektif memprediksi PCOS guna mendukung pengelolaan dan pencegahan serta mempercepat proses deteksi dini PCOS.
Zitieren
APA
Kurniawan, H., Kultsum, R. U., Safitri, E., Antonio, Y. J., Andini, R. A., Syahputra, L., & Adytama, M. R. (2026). DIAGNOSIS PCOS BERDASARKAN FAKTOR GAYA HIDUP DAN FAKTOR REPRODUKSI MENGGUNAKAN REGRESI LOGISTIK DAN RANDOM FOREST. Journal of Data Science Methods and Applications, 2(1), 1-11. https://doi.org/10.30873/jodmapps.v2i1.1462
Vancouver
Kurniawan H, Kultsum RU, Safitri E, Antonio YJ, Andini RA, Syahputra L, et al. DIAGNOSIS PCOS BERDASARKAN FAKTOR GAYA HIDUP DAN FAKTOR REPRODUKSI MENGGUNAKAN REGRESI LOGISTIK DAN RANDOM FOREST. Journal of Data Science Methods and Applications. 2026;2(1):1-11. doi:10.30873/jodmapps.v2i1.1462
BibTeX
@article{Kurniawan2026,
author = {Kurniawan, Hendra and Kultsum, Rahil Urwa and Safitri, Egi and Antonio, Yandi Jaya and Andini, Rekha Aprilia and Syahputra, Lingga and Adytama, Muhammad Rezky},
title = {DIAGNOSIS PCOS BERDASARKAN FAKTOR GAYA HIDUP DAN FAKTOR REPRODUKSI MENGGUNAKAN REGRESI LOGISTIK DAN RANDOM FOREST},
journal = {Journal of Data Science Methods and Applications},
year = {2026},
volume = {2},
number = {1},
pages = {1--11},
doi = {10.30873/jodmapps.v2i1.1462}
}
EUVIMED