MODEL DETEKSI GANGGUAN TIDUR BERDASARKAN KUALITAS TIDUR DAN GAYA HIDUP MENGGUNAKAN MACHINE LEARNING

Abstract

Penelitian ini berfokus pada pengembangan model klasifikasi untuk gangguan tidur dengan menggunakan Machine Learning melalui analisis data kesehatan serta pola hidup individu. Dataset yang digunakan berasal dari Kaggle dan berisi informasi dari berbagai responden dengan fitur seperti lama tidur, tingkat stres, tekanan darah, detak jantung, aktivitas fisik, serta indeks massa tubuh. Proses pra-pemrosesan meliputi pembersihan data, normalisasi dengan Min-Max Scaling, dan pemisahan data dengan proporsi 80% untuk pelatihan, 10% untuk validasi, dan 10% untuk pengujian. Dalam studi ini, lima algoritma Machine Learning diterapkan, yaitu Random Forest, Decision Tree, K-Nearest Neighbors, Support Vector Machine, dan Naïve Bayes.. Evaluasi hasil menunjukkan bahwa algoritma Random Forest dan Decision Tree memberikan kinerja terbaik, dengan akurasi masing-masing 95%, diikuti K-Nearest Neighbors yang mencapai akurasi 94%, sementara Support Vector Machine dan Naïve Bayes memiliki akurasi yang lebih rendah, yakni 86% dan 85%. Temuan ini mengindikasikan bahwa algoritma berbasis Decision Tree lebih efektif dalam mengklasifikasikan gangguan tidur. Dengan demikian, model ini memiliki potensi untuk dikembangkan lebih lanjut sebagai sistem yang mendukung diagnosis awal gangguan tidur menggunakan Machine Learning yang efisien dan akurat.