Publisher

KRESNA MEDIAKRESNA MEDIA

Journal Jurnal Riset InformatikaJurnal Riset Informatika Abstract

Tidur merupakan aspek penting dalam menjaga keseimbangan fisik dan psikologis seseorang. Kualitas tidur yang buruk dapat menurunkan kinerja fisik dan kognitif, serta meningkatkan risiko berbagai masalah kesehatan seperti obesitas, hipertensi, gangguan kardiovaskular, dan gangguan mental. Penelitian ini bertujuan untuk mengembangkan model prediktif untuk kualitas tidur berdasarkan faktor-faktor seperti gaya hidup, stres, aktivitas sehari-hari, dan konsumsi kafein, menggunakan XGBoost yang dikombinasikan dengan Recursive Feature Elimination (RFE). XGBoost dipilih karena kemampuannya untuk menangani dataset yang tidak seimbang dan fitur yang heterogen, sementara RFE membantu menyederhanakan model tanpa kehilangan informasi penting. Pada tahap pra-pemrosesan data, ditemukan ketidakseimbangan kelas, sehingga dilakukan proses Synthetic Minority Over-sampling Technique (SMOTE) untuk menyeimbangkan proporsi kelas minoritas. Dataset pada penelitian ini dibagi menjadi dua bagian, yaitu 80% sebagai data training dan 20% sebagai data testing, dan divalidasi menggunakan cross-validation untuk memastikan generalisasi. Hasilnya menunjukkan performa model yang sangat tinggi dengan akurasi 99.79% pada data training, 99.63% pada cross-validation, dan 99.10% pada data testing. Model ini kemudian dikembangkan menjadi aplikasi web untuk penggunaan praktis dalam menganalisis prediksi kualitas tidur.

Conclusion

Penelitian ini berhasil mengembangkan dan menerapkan model prediksi kualitas tidur dengan performa sangat tinggi, ditunjukkan oleh nilai akurasi 0.991 dan metrik precision, recall, dan F1-score yang seimbang di seluruh kelas.Tantangan distribusi kelas yang tidak seimbang pada data awal diatasi melalui penerapan Synthetic Minority Oversampling Technique (SMOTE), yang berperan penting dalam meningkatkan akurasi dan stabilitas model di seluruh kategori kualitas tidur (Excellent, Fair, Good, dan Poor).Hasil evaluasi Confusion Matrix menunjukkan tingkat misklasifikasi yang sangat rendah, sementara Area Under the Curve (AUC) menunjukkan kemampuan model yang sempurna dalam membedakan kelas positif dan negatif tanpa indikasi overfitting.Analisis learning curve menunjukkan bahwa model telah mencapai stabilitas dan generalisasi optimal, menandakan proses belajar yang efektif.Selain itu, model yang dikembangkan telah berhasil diterapkan dalam bentuk aplikasi web prediksi kualitas tidur, sehingga dapat digunakan secara praktis untuk mendukung analisis dan pemantauan kesehatan tidur.Penelitian ini menutup kesenjangan terkait pengembangan model yang stabil dan akurat, serta memberikan kontribusi aplikatif untuk pengujian lebih lanjut pada dataset eksternal dan perbandingan dengan baseline lainnya.

Future Research

Saran penelitian lanjutan yang dapat dikembangkan adalah: 1. Menggunakan dataset yang lebih besar dan beragam untuk meningkatkan kemampuan generalisasi model dan mengakomodasi karakteristik individu yang lebih luas. 2. Mengembangkan sistem melalui integrasi berbasis cloud atau pengembangan aplikasi mobile agar model dapat memberikan prediksi secara real-time dan menjangkau lebih banyak pengguna. 3. Melakukan penelitian lebih lanjut dengan memperluas fitur model, misalnya dengan menambahkan data fisiologis sehingga prediksi kualitas tidur dapat dilakukan secara lebih komprehensif dan akurat. Selama pengembangan, aspek etika dan praktis harus dipertimbangkan, termasuk privasi dan keamanan data kesehatan serta interpretasi prediksi untuk menghindari kesalahan.

References

1. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... doi.org/10.1007/s12144-021-01801-9Client Challenge client challenge javascript disabled browser please enable proceed required part site doi 10 1007 s12144 021 01801 9
2. Hubungan kebiasaan minum kopi dan aktivitas fisik dengan kualitas tidur mahasiswa fakultas kedokteran... ejournal.stikku.ac.id/index.php/jnpe/article/view/957Hubungan kebiasaan minum kopi dan aktivitas fisik dengan kualitas tidur mahasiswa fakultas kedokteran ejournal stikku ac index php jnpe article view 957
3. ENHANCING SLEEP QUALITY PREDICTION THROUGH SMOTE-BASED DATA BALANCING AND HYBRID MACHINE LEARNING MODELS... ejournal.kresnamediapublisher.com/index.php/jri/article/view/456ENHANCING SLEEP QUALITY PREDICTION THROUGH SMOTE BASED DATA BALANCING AND HYBRID MACHINE LEARNING MODELS ejournal kresnamediapublisher index php jri article view 456
4. Pengaruh Konsumsi Minuman Berkafein Terhadap Pola dan Kualitas Tidur Mahasiswa : A Literatur Review |... doi.org/10.56338/mppki.v5i2.1910Pengaruh Konsumsi Minuman Berkafein Terhadap Pola dan Kualitas Tidur Mahasiswa A Literatur Review doi 10 56338 mppki v5i2 1910

Metadata

File size	701.01 KB
Pages	10
DMCA	Report