Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Malcom: Indonesian Journal of Machine Learning and Computer Science
Tamboto, Stanley Alexsander
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Benchmarking XGBoost dan Random Forest untuk Prediksi Tingkat Stres dari Parameter Fisiologis Tidur: Benchmarking XGBoost and Random Forest for Stress Level Prediction Based on Sleep Physiological Parameters Tamboto, Stanley Alexsander; Jaya, Safitri
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 3 (2026): MALCOM July 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i3.2783

Abstract

Stres adalah salah satu gangguan kesehatan mental yang semakin meningkat di masyarakat. Kondisi fisiologis tidur dapat menjadi indikator terhadap tingkat stres. Penelitian ini bertujuan untuk membandingkan kinerja metode XGBoost dan Random Forest dalam memprediksi tingkat stres yang diklasifikasikan ke dalam lima kategori, yaitu normal, ringan, sedang, tinggi, dan sangat tinggi. Data yang digunakan berupa data numerik dengan delapan fitur fisiologis, meliputi snoring rate, respiration rate, body temperature, limb movement, blood oxygen, rapid eye movement, sleeping hours, dan heart rate. Metodologi penelitian mencakup preprocessing data melalui normalisasi, pembagian data, dan evaluasi kinerja model dilakukan menggunakan metrik accuracy, precision, recall,  f1-score, serta confusion matrix. Penelitian juga melakukan analisis korelasi pada setiap fitur untuk mengetahui hubungan antara parameter fisiologis dengan tingkat stres. Hasil penelitian menunjukkan bahwa kedua model menghasilkan akurasi sebesar 98%, namun Random Forest memiliki kinerja yang lebih stabil berdasarkan cross validation dengan nilai rata-rata 99,2% dibandingkan XGBoost sebesar 98,7%. Analisis feature importance menunjukkan bahwa snoring rate merupakan fitur paling dominan, serta terdapat korelasi positif dan negatif antar parameter terhadap tingkat stres. Penelitian ini menyimpulkan bahwa Random Forest lebih unggul dalam stabilitas model dan berpotensi digunakan untuk prediksi tingkat stres berbasis data fisiologis tidur.
Co-Authors Safitri Jaya