Analisis Perbandingan Algoritma Machine Learning Dalam Klasifikasi Gangguan Tidur
Main Article Content
Nabila Khansa
Zaehol Fatah
Gangguan tidur seperti insomnia dan sleep apnea merupakan masalah kesehatan global yang dapat menurunkan kualitas hidup. Deteksi dini terhadap gangguan ini penting dilakukan, khususnya dengan bantuan teknologi seperti algoritma data mining untuk meningkatkan ketepatan diagnosis. Data mining adalah bagian esensial dari analitik data dalam disiplin ilmu data science, yang memberikan berbagai manfaat luas dan aplikasi yang relevan. Penelitian ini menggunakan dataset Sleep Health and Lifestyle dari Kaggle untuk mengevaluasi kinerja tiga algoritma data mining, yaitu Naïve Bayes, Support Vector Machine (SVM), dan Neural Network, dalam mengklasifikasi gangguan tidur. Proses pengembangan model mengikuti tahapan CRISP-DM dengan pengujian akurasi menggunakan Cross Validation dan evaluasi menggunakan Confusion Matrix dan kurva ROC. Berdasarkan hasil pengujian, algoritma Neural Network menunjukkan kinerja terbaik dengan akurasi 93,08% dan nilai AUC yang termasuk dalam klasifikasi "Excellent." Temuan ini menunjukkan bahwa Neural Network efektif dalam mengklasifikasi gangguan tidur, sehingga dapat mendukung proses diagnosa dan penanganan gangguan tidur secara lebih akurat.
Bishop, C. M. (2006). Pattern Recognition and Machine Learning (1st ed.).
Faturrahman, M. S., & Kurniasih, A. (2023). Penggunaan Metode NearMiss, SMOTE, dan Naïve Bayes untuk Klasifikasi Gangguan Tidur Berdasarkan Kualitas Tidur dan Gaya Hidup.
G., G. (2015). Data Mining: Concept, Models and Techniques.
Huda, M. (2020). Mengatasi Insomnia Secara Alami.
Indahsari, L. N., Yunita, I., & Fatah, Z. (2024). INFORMATION SYSTEM DESIGN USING CUTOMER RELATIONSHIP MANAGEMENT (CRM) METHOD AT PAGLAK PETUNG CAFE AND ART IN BANYUWANGI DISTRICT. Jurnal Teknik Informatika (Jutif).
Kryger, M. H., Roth, T., & Dement, W. C. (2017). Principles and Practice of Sleep Medicine (6th ed.).
Mulla, R. (2021). From Zero to Kaggle Hero (2nd ed.).
Nisa, I. C. (2024). PENERAPAN ALGORITMA K-MEANS DALAM PENGKATEGORIAN INSOMNIA. 8, 117–122.
Olson, D., & Shi, Y. (2007). Introduction to Business Data Mining.
Prabowo, I. A., Remawati, D., & Wardana, A. P. W. (2020). Klasifikasi Tingkat Gangguan Tidur Menggunakan Algoritma Naïve Bayes. Jurnal Teknologi Informasi Dan Komunikasi (TIKomSiN), 8(2). https://doi.org/10.30646/tikomsin.v8i2.519
Sari, D. (2021). Prediksi Gangguan Tidur pada Sleep Health and Lifestyle Menggunakan Support Vector Machine dan Neural Network. 1(3), 23–30.
Sleep Health and Lifestyle Dataset. (n.d.). Retrieved October 30, 2024, from https://www.kaggle.com/datasets/uom190346a/sleep-health-and-lifestyle-dataset
Suyanto. (2019). Data Mining Untuk Klasifikasi dan Klasterisasi Data.
Wibisono, A. (2023). FILTERING SPAM EMAIL MENGGUNAKAN METODE NAIVE BAYES.
Witten, H., Frank, E., & Hall, M. A. (2016). Data Mining: Practical Machine Learning Tools and Techniques (4th ed.).
Wulandari, R. T. (2017). Data Mining: Teori dan Aplikasi (1st ed.).
