Electronic Theses and Dissertation

Diabetes merupakan penyakit kronis yang terus meningkat dan dapat menimbulkan komplikasi serius apabila tidak dideteksi sejak dini. oleh karena itu, diperlukan model prediksi yang mampu mengidentifikasi risiko diabetes secara akurat. penelitian ini bertujuan menerapkan metode gradient descent pada model regresi logistik untuk prediksi risiko diabetes serta menganalisis pengaruh learning rate terhadap akurasi dan konvergensi model. penelitian menggunakan data sekunder diabetes dataset dari kaggle yang terdiri atas 768 data pengamatan. tahapan penelitian meliputi pemeriksaan missing value dan penanganan invalid value, normalisasi data, pembagian data latih dan data uji, pembentukan model regresi logistik, optimasi menggunakan gradient descent, serta evaluasi menggunakan confusion matrix, precision, recall, dan akurasi. hasil penelitian menunjukkan bahwa learning rate 0.5 memberikan performa terbaik dengan akurasi sebesar 76,62% dan konvergensi yang lebih efisien dibandingkan learning rate 0.1 dan 0.9. dengan demikian, metode gradient descent mampu meningkatkan performa model regresi logistik dalam memprediksi risiko diabetes. penelitian selanjutnya disarankan menggunakan metode optimasi lain atau dataset yang lebih besar untuk meningkatkan kinerja model. kata kunci: diabetes, regresi logistik, gradient descent, learning rate, prediksi risiko diabetes.

Diabetes is a chronic disease with an increasing prevalence and the potential to cause serious complications if not detected early. Therefore, a predictive model capable of accurately identifying the risk of diabetes is essential. This study aims to apply the gradient descent method to a logistic regression model for diabetes risk prediction and to analyze the effect of the learning rate on the model's accuracy and convergence. The study uses a secondary diabetes dataset obtained from Kaggle, consisting of 768 observations. The research stages include missing value detection and invalid value handling, data normalization, data splitting into training and testing sets, logistic regression model development, optimization using gradient descent, and model evaluation using the confusion matrix, precision, recall, and accuracy. The results show that a learning rate of 0.5 provides the best performance, achieving an accuracy of 76,62% and more efficient convergence compared to learning rates of 0.1 and 0.9. Thus, the gradient descent method is capable of improving the performance of the logistic regression model in predicting diabetes risk. Future research is recommended to employ other optimization methods or larger datasets to further improve model performance. Keywords: Diabetes, Logistic Regression, Gradient Descent, Learning Rate, Diabetes Risk Prediction.