Sistem Deteksi Sleep Disorder Berbasis Random Forest
Abstrak
Abstrak — sleep disorder merupakan gangguan tidur yang dapat berdampak signifikan terhadap kesehatan fisik maupun mental seseorang. Banyak individu mengalami gangguan tidur tanpa menyadarinya, sementara pemeriksaan klinis memerlukan biaya dan waktu yang relatif besar. Oleh karena itu, diperlukan sistem yang mampu mendukung proses deteksi sleep disorder secara praktis. Penelitian ini bertujuan untuk merancang sistem deteksi sleep disorder menggunakan algoritma Random Forest. Data yang digunakan berasal dari dataset Sleep Health and Lifestyle dari Kaggle dengan tiga kelas, yaitu None, Insomnia, dan Sleep Apnea. Fitur yang digunakan meliputi durasi tidur, kualitas tidur, tingkat stres, aktivitas fisik, kategori BMI, detak jantung, dan jumlah langkah harian. Model dikembangkan menggunakan supervised learning dengan pembagian data train dan test. Hasil pengujian menunjukkan bahwa Random Forest menghasilkan performa yang cukup baik dengan akurasi sebesar 0,7586, precision 0,77, recall 0,78, dan F1-score 0,76. Model kemudian diimplementasikan ke dalam aplikasi berbasis web menggunakan Flask sehingga pengguna dapat melakukan deteksi kondisi tidurnya secara mandiri. Sistem ini diharapkan dapat membantu masyarakat dalam memantau kualitas tidur secara lebih mudah dan terjangkau.
Kata kunci— sleep disorder, random forest, machine learning, klasifikasi, web.
Referensi
REFERENSI
L. Breiman, “Random forests,” Machine Learning, vol. 45, no. 1, pp. 5–32, 2001.
E. Elgammal, “Sleep Health and Lifestyle Dataset,” Kaggle, 2022. [Online]. Available: https://www.kaggle.com/datasets/ealaxi/paysim1
[Accessed: Jun. 2024].
S. Raschka and V. Mirjalili, Python Machine Learning, 3rd ed. Birmingham, UK: Packt Publishing, 2019.
A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd ed. Sebastopol, CA: O’Reilly Media, 2019.
M. Grinberg, Flask Web Development: Developing Web Applications with Python, 2nd ed. Sebastopol, CA: O’Reilly Media, 2018.
H. Kaur and V. Singh, “Detection of sleep disorders using machine learning techniques,” International Journal of Computer Applications, vol. 176, no. 34, pp. 1–6, 2020.
A. K. Jain, J. Mao, and K. M. Mohiuddin, “Artificial neural networks: A tutorial,” Computer, vol. 29, no. 3, pp. 31–44, 1996.
F. Pedregosa et al., “Scikit-learn: Machine learning in Python,” Journal of Machine Learning Research, vol. 12, pp. 2825–2830, 2011.
S. Redline and T. Young, “Epidemiology and natural history of sleep-disordered breathing,” Sleep Medicine Reviews, vol. 7, no. 5, pp. 419–433, 2003.
I. H. Witten, E. Frank, and M. A. Hall, Data Mining: Practical Machine Learning Tools and Techniques, 3rd ed. Burlington, MA: Morgan Kaufmann, 2011.
