<![CDATA[This study compares two classification algorithms, Decision Tree and Logistic Regression, to predict obesity levels based on individual lifestyle patterns. The initial dataset consisted of 2,212 data points with 17 attributes, which were then narrowed down to 499 data points with the nine most relevant attributes. After a cleaning process, 498 valid data points were obtained, including demographic information and daily habits, which were then used in the modelling process. To objectively evaluate model performance, a stratified 5-fold cross-validation method was used, along with testing on separate test data. The evaluation results showed that Logistic Regression consistently performed better, with an average accuracy of 0.8755 and an F1-score of 0.8576. In contrast, Decision Tree achieved an accuracy of 0.7851 and an F1-score of 0.7704. The test data also showed a similar pattern, with Decision Tree achieving an accuracy of 0.75 and an F1-score of 0.7534, while Logistic Regression achieved an accuracy of 0.88 and an F1-score of 0.8664. Overall, the results showed that logistic regression performed more consistently and reliably in classifying obesity levels, suggesting that this method may be a superior method for supporting analysis in the healthcare industry.Kata Kunci: Classification; Obesity; Lifestyle; Decision Tree; Logistic Regression AbstrakStudi ini membandingkan dua algoritma klasifikasi, Decision Tree dan Logistic Regression, untuk memprediksi tingkat obesitas berdasarkan pola gaya hidup individu. Dataset awal terdiri dari 2.212 data dengan 17 atribut, yang kemudian diseleksi menjadi 499 data dengan 9 atribut yang paling relevan. Setelah melalui proses pembersihan, diperoleh 498 data valid yang mencakup informasi demografis dan kebiasaan sehari-hari, yang selanjutnya digunakan dalam proses pemodelan. Untuk mengevaluasi kinerja model secara objektif, digunakan metode stratified 5-fold cross-validation serta pengujian pada data uji terpisah. Hasil evaluasi menunjukkan bahwa Logistic Regression secara konsisten berkinerja lebih baik, dengan rata-rata akurasi 0,8755 dan F1-score sebesar 0,8576. Sebaliknya, Decision Tree memperoleh akurasi 0,7851 dan F1-score sebesar 0,7704. Data pengujian juga menunjukkan pola serupa, dengan Decision Tree mencapai akurasi 0,75 dan F1-score sebesar 0,7534, sedangkan Logistic Regression mencapai akurasi 0,88 dan F1-score sebesar 0,8664. Secara keseluruhan, hasil penelitian menunjukkan bahwa regresi logistik berkinerja lebih konsisten dan andal dalam mengklasifikasikan tingkat obesitas, menunjukkan bahwa metode ini mungkin merupakan metode yang lebih unggul untuk mendukung analisis di industri perawatan kesehatan. ]]>
