Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Sainteks

Klasifikasi Gangguan Tidur Menggunakan Algoritma XGBoost dengan SMOTE dan Grid Search Khoirusshofi, Moh. Indra Kholid; Hana, Fida Maisa; Pratama, Taftazani Ghazi
Sainteks Vol. 23 No. 1 (2026): April
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat (LPPM)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30595/sainteks.v23i1.30171

Abstract

Gangguan tidur merupakan permasalahan kesehatan yang memiliki prevalensi tinggi dan berdampak signifikan terhadap kualitas hidup, sehingga diperlukan sistem deteksi dini yang akurat dan efisien. Perkembangan machine learning membuka peluang untuk membangun model klasifikasi gangguan tidur berbasis data, namun ketidakseimbangan kelas pada dataset medis sering menjadi tantangan yang menurunkan performa model, khususnya pada kelas minoritas. Penelitian ini bertujuan membangun model klasifikasi gangguan tidur menggunakan algoritma Extreme Gradient Boosting (XGBoost) dengan penerapan Synthetic Minority Oversampling Technique (SMOTE) dan optimasi hiperparameter menggunakan Grid Search. Dataset yang digunakan adalah Sleep Health and Lifestyle Dataset yang terdiri dari 374 data dengan tiga kelas target, yaitu Insomnia, No Disorder, dan Sleep Apnea. Penelitian ini menguji empat skenario model, yaitu XGBoost tanpa SMOTE dan Grid Search, XGBoost dengan SMOTE, XGBoost dengan Grid Search, serta kombinasi SMOTE dan Grid Search. Evaluasi kinerja model dilakukan menggunakan metrik accuracy, precision, recall, F1-score, Confusion Matrix, serta ROC Curve. Hasil penelitian menunjukkan bahwa penerapan SMOTE meningkatkan sensitivitas model terhadap kelas minoritas, sedangkan optimasi hiperparameter menggunakan Grid Search meningkatkan stabilitas dan akurasi model secara keseluruhan. Kombinasi SMOTE dan Grid Search menghasilkan performa terbaik dengan akurasi mencapai 97% serta nilai precision, recall, dan F1-score yang seimbang pada seluruh kelas. Selain itu, evaluasi menggunakan ROC Curve menunjukkan nilai AUC pada rentang 0,99 hingga 1,00, yang mengindikasikan kemampuan model yang sangat baik dalam membedakan setiap kelas. Hasil ini menunjukkan bahwa pendekatan yang diusulkan mampu meningkatkan performa klasifikasi gangguan tidur dan berpotensi menjadi alternatif dalam pengembangan sistem deteksi dini gangguan tidur.