<![CDATA[Penelitian ini bertujuan untuk menilai performa algoritma Random Forest (RF) dan Support Vector Machine (SVM) dalam mendeteksi dan mengklasifikasikan sleep apnea dengan menggunakan dataset yang mencakup berbagai parameter fisiologis dan gaya hidup. Metode yang diterapkan mencakup pengumpulan data, analisis eksploratori, dan pra-pemrosesan data, termasuk penanganan ketidakseimbangan melalui teknik SMOTE. Dataset dibagi menjadi data pelatihan dan data uji untuk melatih model, yang kemudian dievaluasi dengan berbagai metrik seperti akurasi, precision, recall, F1-score, confusion matrix, ROC curve, AUC, dan validasi silang. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan akurasi yang lebih tinggi, yaitu 0.927, dibandingkan dengan Support Vector Machine yang mencapai akurasi 0.915. Oleh karena itu, Random Forest dapat dianggap sebagai algoritma yang lebih unggul dalam klasifikasi sleep apnea berdasarkan dataset yang digunakan. Penelitian ini memberikan kontribusi pada pengembangan sistem deteksi sleep apnea berbasis machine learning yang dapat meningkatkan akurasi diagnosis penyakit tersebut. Rencana penelitian selanjutnya akan difokuskan pada pengembangan model yang lebih efisien dan penerapan teknik lain untuk mengatasi masalah dataset yang tidak seimbang.]]>
Copyrights © 2025
