Analisis ini bertujuan untuk mengklasifikasikan status diabetes menggunakan metode regresi logistik berdasarkan beberapa variabel indikator kesehatan. Tahapan analisis meliputi pembersihan data, penanganan nilai tidak valid dengan imputasi median, eksplorasi data, serta pembangunan model klasifikasi menggunakan R. Hasil model digunakan untuk melihat kemampuan regresi logistik dalam membedakan individu yang berisiko diabetes dan yang tidak.

Analisis ini bertujuan untuk mengkaji faktor-faktor yang mempengaruhi persentase NEET (Not in Education, Employment, or Training) di Indonesia pada tahun 2024. NEET merupakan indikator yang menunjukkan proporsi penduduk usia produktif yang tidak sedang menempuh pendidikan, tidak bekerja, dan tidak mengikuti pelatihan. Tingginya tingkat NEET dapat mencerminkan adanya permasalahan dalam pasar tenaga kerja maupun akses terhadap pendidikan dan pelatihan. Data yang digunakan bersumber dari Badan Pusat Statistik (BPS) tahun 2024 yang mencakup 38 provinsi di Indonesia. Metode analisis yang digunakan adalah regresi linier berganda untuk melihat pengaruh beberapa variabel independen terhadap persentase NEET. Variabel yang dianalisis meliputi Tingkat Partisipasi Angkatan Kerja (TPAK), Indeks Pembangunan Manusia (IPM), dan Rata-rata Lama Sekolah. Hasil analisis diharapkan dapat memberikan gambaran mengenai faktor-faktor yang berkontribusi terhadap tingkat NEET di Indonesia serta menjadi referensi dalam memahami kondisi ketenagakerjaan dan pendidikan pada tingkat provinsi.

K-Means Clustering, Fuzzy K-Means, DBSCAN, Hierarchical Clustering

This project consists of analyzing the 2026 US Top 50 Universities dataset to evaluate the relationship between institutional characteristics, specifically focusing on research impact and employment outcomes.By analyzing research impact and post-graduation employment rates, we aim to identify performance trends across public and private institutions for the 2026 academic outlook.