Klasifikasi Pola Tidur Tidak Teratur Manusia Berdasarkan Aktivitas Harian Menggunakan Metode Random Forest

Abstrak

Perubahan gaya hidup modern berkontribusi terhadap meningkatnya ketidakteraturan pola tidur yang sering kali tidak disadari sebagai permasalahan kesehatan serius. Penelitian sebelumnya umumnya menitikberatkan pada pendekatan diagnosis klinis, sementara pemanfaatan data aktivitas harian sebagai faktor prediktif masih belum dimaksimalkan. Studi ini difokuskan pada klasifikasi ketidakteraturan tidur melalui implementasi algoritma Random Forest terhadap 374 data yang bersumber dari Sleep Health and Lifestyle Dataset. Algoritma ini menjadi pilihan utama berkat keandalannya dalam mengolah hubungan rumit antara aspek fisik maupun psikologis. Evaluasi kinerja memperlihatkan hasil optimal yang mencapai akurasi 96%, nilai presisi 0,97, dan recall 0,94. Analisis korelasi juga mengungkapkan bahwa tingkat stres merupakan faktor dominan yang memiliki hubungan negatif kuat (-0,90) terhadap kualitas tidur. Selanjutnya, nilai rata-rata cross-validation sebesar 94,38% menunjukkan bahwa model memiliki kestabilan yang sangat baik dan andal dalam melakukan prediksi pada variasi data yang berbeda.