<![CDATA[Tingkat kefokusan merupakan faktor penting dalam produktivitas yang dipengaruhi oleh berbagai variabel seperti durasi tidur, konsumsi kafein, dan kondisi lingkungan kerja. Decision Tree Regressor memiliki potensi untuk memprediksi tingkat kefokusan, namun performanya sangat bergantung pada konfigurasi hyperparameter yang optimal. Penelitian ini bertujuan untuk membandingkan efektivitas algoritma Harmony Search (HS) dan Gravitational Search Algorithm (GSA) dalam mengoptimalkan hyperparameter Decision Tree Regressor untuk prediksi tingkat kefokusan. Metode penelitian menggunakan Machine Learning Life-Cycle dengan dataset FocusSense yang terdiri dari 10.000 sampel dari platform Kaggle. Proses optimasi dilakukan terhadap empat hyperparameter yaitu max_depth, min_samples_split, min_samples_leaf, dan max_leaf_nodes. Model dievaluasi menggunakan tujuh metrik evaluasi meliputi MSE, MAE, R², MAPE, Max Error, MSLE, dan EVS. Hasil penelitian menunjukkan bahwa model Decision Tree Regressor yang dioptimasi dengan Harmony Search menghasilkan performa terbaik dengan nilai MSE sebesar 14,626492 (penurunan 28,00% dari baseline), R² sebesar 0,873901 (peningkatan 5,94% dari baseline), dan MSLE sebesar 0,006663 (penurunan 26,13% dari baseline). Sementara itu, model yang dioptimasi dengan GSA menghasilkan MSE sebesar 16,134090 dan R² sebesar 0,860903, yang masih lebih baik dari baseline namun di bawah performa HS. Kesimpulan penelitian ini membuktikan bahwa algoritma Harmony Search lebih efektif dibandingkan Gravitational Search Algorithm dalam mengoptimalkan hyperparameter Decision Tree Regressor untuk prediksi tingkat kefokusan, dengan peningkatan akurasi prediksi yang signifikan pada data kontinyu.]]>
