<![CDATA[Tidur berperan penting dalam menjaga kesehatan fisik dan mental, namun identifikasi risiko gangguan tidur masih menjadi tantangan karena dipengaruhi oleh berbagai faktor yang saling berkaitan. Penelitian ini bertujuan menerapkan algoritma Random Forest untuk mengklasifikasikan tingkat risiko gangguan tidur ke dalam kategori Healthy, Mild, Moderate, dan Severe, serta mengidentifikasi atribut yang paling berpengaruh melalui analisis feature importance. Berbeda dengan penelitian sebelumnya yang umumnya berfokus pada evaluasi performa klasifikasi, penelitian ini juga menganalisis feature importance untuk mengidentifikasi faktor-faktor yang paling berpengaruh sehingga meningkatkan interpretabilitas model. Penelitian menggunakan pendekatan kuantitatif dengan memanfaatkan Sleep Health and Daily Performance Dataset dari Kaggle yang terdiri atas 100.000 sampel. Sebanyak 12 atribut dipilih sebagai variabel prediktor dan satu atribut sebagai variabel target. Tahapan penelitian meliputi data preprocessing menggunakan LabelEncoder dan StandardScaler, pembagian data menjadi 80% data latih dan 20% data uji, pembangunan model Random Forest dengan parameter n_estimators = 100 dan max_depth = 10, serta evaluasi menggunakan metrik accuracy, precision, recall, F1-score, confusion matrix, dan feature importance. Hasil penelitian menunjukkan bahwa model memperoleh accuracy sebesar 81,72% dan weighted precision sebesar 81,27%. Analisis feature importance menunjukkan bahwa atribut mental_health_condition, sleep_duration_hrs, dan stress_score merupakan atribut yang paling berpengaruh dalam proses klasifikasi risiko gangguan tidur. Penelitian ini memberikan kontribusi berupa model klasifikasi yang tidak hanya memiliki performa yang baik, tetapi juga mampu mengidentifikasi faktor-faktor dominan yang memengaruhi risiko gangguan tidur melalui analisis feature importance, sehingga dapat mendukung pengembangan sistem deteksi dini berbasis machine learning di bidang kesehatan. Kata Kunci: Random Forest, Gangguan Tidur, Klasifikasi, Machine Learning, Data Mining]]>
Copyrights © 2026
