Studi Perbandingan Algoritma Random Forest dan K-Nearest Neighbors (KNN) dalam Klasifikasi Gangguan Tidur
Gangguan tidur seperti insomnia dan sleep apnea dapat memengaruhi kualitas hidup secara signifikan serta meningkatkan risiko penyakit kronis. Identifikasi dini dan klasifikasi gangguan tidur menjadi penting untuk mencegah dampak lebih lanjut. Penelitian ini bertujuan untuk membandingkan performa alg...
Saved in:
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
LPPM Universitas Bina Sarana Informatika
2025-01-01
|
| Series: | Computer Science |
| Subjects: | |
| Online Access: | https://jurnal.bsi.ac.id/index.php/co-science/article/view/5522 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Gangguan tidur seperti insomnia dan sleep apnea dapat memengaruhi kualitas hidup secara signifikan serta meningkatkan risiko penyakit kronis. Identifikasi dini dan klasifikasi gangguan tidur menjadi penting untuk mencegah dampak lebih lanjut. Penelitian ini bertujuan untuk membandingkan performa algoritma Random Forest dan K-Nearest Neighbors (KNN) dalam klasifikasi gangguan tidur menggunakan Sleep Health and Lifestyle Dataset dari Kaggle, yang berisi data kesehatan dan gaya hidup yang relevan dengan pola tidur. Algoritma Random Forest dan KNN diterapkan untuk mengklasifikasikan gangguan tidur ke dalam kategori 'None', 'Sleep Apnea', dan 'Insomnia'. Berdasarkan hasil penelitian, algoritma Random Forest menghasilkan akurasi sebesar 89,69%, dengan performa terbaik pada kategori 'None' yang mencapai recall 96,08%. Sementara itu, KNN menghasilkan akurasi sebesar 87,02% dengan K=5. Meskipun Random Forest menunjukkan hasil yang lebih unggul, tantangan masih ditemukan dalam mendeteksi kategori 'Sleep Apnea', di mana recall hanya mencapai 74,55%, yang kemungkinan disebabkan oleh ketidakseimbangan data. Penelitian ini menunjukkan bahwa algoritma Random Forest lebih efektif dalam klasifikasi gangguan tidur dibandingkan KNN. Langkah penelitian selanjutnya adalah penyeimbangan data dan eksplorasi algoritma lain seperti XGBoost untuk meningkatkan performa deteksi gangguan tidur. |
|---|---|
| ISSN: | 2808-9065 2774-9711 |