Analisis dan Klasifikasi Kualitas Tidur Menggunakan Algoritma K-Means dan Decision Tree pada Sleep Health Dataset

Agustiena Merdekawati (Universitas Bina Sarana Informatika)

Jurnal Nasional Komputasi dan Teknologi Informasi
Vol. 9 No. 4 (2026): Agustus, 2026

Abstrak - Kualitas tidur merupakan salah satu indikator penting dalam menjaga kesehatan fisik dan mental. Berbagai faktor seperti gaya hidup, kondisi kesehatan, dan aktivitas sehari-hari berpengaruh terhadap kualitas tidur seseorang. Penelitian ini bertujuan untuk mengelompokkan pola kualitas tidur menggunakan algoritma K-Means serta mengidentifikasi faktor-faktor yang memengaruhi kualitas tidur menggunakan algoritma Decision Tree. Dataset yang digunakan adalah Sleep Health Dataset yang terdiri dari 1.969 data dengan 29 atribut yang mencakup aspek demografi, kesehatan, dan gaya hidup. Tahap penelitian meliputi preprocessing data, clustering menggunakan K-Means, klasifikasi menggunakan Decision Tree, serta evaluasi model menggunakan Confusion Matrix. Hasil clustering menunjukkan bahwa jumlah cluster optimal adalah tiga kelompok yang merepresentasikan kualitas tidur baik, sedang, dan buruk. Hasil klasifikasi menggunakan Decision Tree memperoleh akurasi sebesar 82,23% dengan nilai precision dan recall yang tinggi pada sebagian besar kategori. Analisis pohon keputusan menunjukkan bahwa faktor yang paling berpengaruh terhadap kualitas tidur adalah kerja shift, diikuti oleh risiko gangguan tidur, jenis pekerjaan, dan umur. Penelitian ini menunjukkan bahwa kombinasi algoritma K-Means dan Decision Tree mampu mengidentifikasi pola kualitas tidur sekaligus menghasilkan model klasifikasi yang mudah diinterpretasikan sebagai pendukung pengambilan keputusan dalam bidang kesehatan. Kata kunci : Kualitas tidur; K-Means Clustering; Decision Tree; Machine Learning; Sleep Health Dataset; Abstract - Sleep quality is an important indicator of both physical and mental health. Various factors, including lifestyle, health conditions, and daily activities, influence an individual's sleep quality. This study aims to identify sleep quality patterns using the K-Means clustering algorithm and determine the factors affecting sleep quality using the Decision Tree algorithm. The study utilized the Sleep Health Dataset consisting of 1,969 records and 29 attributes covering demographic, health, and lifestyle characteristics. The research stages included data preprocessing, K-Means clustering, Decision Tree classification, and model evaluation using a Confusion Matrix. The clustering results identified three optimal clusters representing good, moderate, and poor sleep quality. The Decision Tree model achieved an accuracy of 82.23%, with high precision and recall across most classes. The decision tree analysis revealed that shift work is the most influential factor affecting sleep quality, followed by sleep disorder risk, occupation, and age. The findings demonstrate that the combination of K-Means and Decision Tree effectively identifies sleep quality patterns while providing an interpretable classification model to support decision-making in healthcare. Keywords: Sleep Quality; K-Means Clustering; Decision Tree; Machine Learning; Sleep Health Dataset;