<![CDATA[Analisis data memiliki banyak metode salah satunya adalah data mining dengan teknik klasifikasi berbasis machine learning. Penelitian ini membandingkan tiga algoritma data mining yaitu algoritma Decision Tree, algoritma Random Forest, dan algoritma Naïve Bayes. Ketiga algoritma ini dipilih untuk menentukan algoritma mana yang efektif dan memiliki performa terbaik dalam proses klasifikasi. Klasifikasi merupakan proses menganalisis data dengan mengelompokkan sampel data berdasarkan kategori atau label yang sudah ditentukan sebelumnya menggunakan teknik supervised learning. Penelitian ini menggunakan kasus gangguan tidur sebagai sample datanya. Gangguan tidur adalah kondisi seseorang yang mengalami masalah terkait durasi, kualitas atau pola tidur. Kebanyakan orang tidak menghiraukan tanda – tanda gangguan tidur yang mereka alami sehingga mereka tidak menyadari bahwa bisa saja mereka mengalami gangguan tidur. Deteksi dini gangguan tidur dapat membantu mencegah berbagai masalah kesehatan yang serius. Penelitian ini dilakukan untuk menganalisis performa dari masing – masing algoritma dan memberikan rekomendasi algoritma terbaik untuk klasifikasi gangguan tidur serta pengembangan sistem deteksi gangguan tidur. Penelitian ini membandingkan hasil performa dari algoritma Decision Tree, algoritma Random Forest, dan algoritma Naïve Bayes. Data yang digunakan yaitu Sleep Health and Lifestyle Dataset yang diperoleh secara online melalui Open Data Source yakni dari Platform Kaggle yang terdiri dari 374 data dan 13 atribut. Berdasarkan hasil pengujian Decision Tree, Random Forest, dan Naïve Bayes, diperoleh hasil rata – rata akurasi Decision Tree 91.49%, Random Forest 87.23%, dan Naïve Bayes 76.59%. Dapat disimpulkan bahwa algoritma Decision Tree memberikan performa terbaik dalam klasifikasi gangguan tidur.]]>
