ANALISIS KOMPARASI KESTABILAN ALGORITMA DECISION TREE DAN RANDOM FOREST UNTUK KLASIFIKASI GANGGUAN TIDUR

Almunajat Amirul Soleh; Gusti Arviana Rahman

doi:10.33772/anoatik.v3i2.126

Penulis

Almunajat Amirul Soleh Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Halu Oleo
Gusti Arviana Rahman Univesitas Halu Oleo

DOI:

https://doi.org/10.33772/anoatik.v3i2.126

Abstrak

Sleep disorders, juga dikenal sebagai gangguan tidur, merupakan masalah kesehatan serius yang berkorelasi erat dengan risiko hipertensi dan penyakit kardiovaskular. Mengingat mahalnya biaya diagnosis klinis konvensional, teknik data mining untuk deteksi dini menjadi alternatif yang efektif. Tujuan dari penelitian ini adalah untuk melakukan analisis perbandingan kinerja antara algoritma Decision Tree (C4.5) dan Random Forest untuk mengklasifikasikan gangguan tidur (None, Insomnia, dan Sleep Apnea). Untuk mengatasi ketidakseimbangan kelas, penelitian ini menggunakan dataset sekunder Sleep Health and Lifestyle. Untuk menguji stabilitas, metode validasi yang ketat, Stratified 10-Fold Cross-validation, digunakan. Hasil pengujian menunjukkan bahwa algoritma Random Forest mengalahkan Decision Tree dengan akurasi rata-rata 91,41% dan nilai Kappa 0,8473. Keunggulan utama algoritma Random Forest adalah kemampuan untuk meningkatkan sensitivitas deteksi kelas Insomnia secara signifikan menjadi 88,31%. Menurut analisis nilai fitur, tekanan darah diastolik dan kategori BMI (Overweight) adalah fitur yang paling umum dalam diagnosis. Random Forest dianggap lebih akurat dan stabil untuk digunakan sebagai model sistem pendukung keputusan medis

Kata Kunci:

Klasifikasi, Random Forest, decision tree, gangguan tidur, stratified cross-validation, Data Mining

Unduhan

Data unduhan belum tersedia.

Referensi

[[1] S. Amen et al., "Obstructive Sleep Apnea and Cardiovascular Diseases: A Systematic Review and Meta-Analysis of Prospective Studies," Cureus, vol. 16, no. 10, Oct. 2024.

B. Antariksa, "Obstructive Sleep Apnea (OSA) dan Penyakit Jantung," Jurnal Respirologi Indonesia, vol. 41, no. 1, pp. 1-9, Jan. 2021.

N. A. Maulidiyyah, Trimono, A. T. Damaliana, and D. A. Prasetya, "Comparison of Decision Tree and Random Forest Methods in the Classification of Diabetes Mellitus," JIKO (Journal of Informatics and Computers), vol. 7, no. 2, pp. 79-87, Aug. 2024.

H. Hidayat, A. Sunyoto, and H. Al Fatta, "Klasifikasi Penyakit Jantung Menggunakan Random Forest Clasifier," Jurnal SISKOM-KB (Sistem Komputer dan Kecerdasan Buatan), vol. 7, no. 1, pp. 31-40, 2023.

I. A. Hidayat, "Classification of Sleep Disorders Using Random Forest on Sleep Health and Lifestyle Dataset," Journal of Dinda: Data Science, Information Technology, and Data Analytics, vol. 3, no. 2, pp. 71-76, 2023.

S. Widodo, H. Brawijaya, and S. Samudi, "Stratified K-fold Cross Validation Optimization on Machine Learning for Prediction," Sinkron: Jurnal dan Penelitian Teknik Informatika, vol. 6, no. 4, pp. 2407-2414, 2022.

T. R. Putri et al., "Application of Support Vector Machine Algorithm For Classification of Sleep Disorders," Journal of Artificial Intelligence and Engineering Applications (JAIEA), vol. 5, no. 1, Oct. 2025.

S. Fernandez, A. Riyandi, S. Wijayanto, and S. Sukmadiningtyas, "Classification Of Sleep Disorders Based on Lifestyle and Health Factors Using Random Forest and HistGradientBoosting," Journal of Artificial Intelligence and Software Engineering, vol. 5, no. 2, pp. 783-789, 2025.

M. Y. Iskandar and H. W. Nugroho, "Comparative Evaluation of Decision Tree and Random Forest for Lung Cancer Prediction Based on Computational Efficiency and Predictive Accuracy," Jurnal Teknik Informatika (Jutif), vol. 6, no. 5, pp. 3392-3404, 2025.

L. Tharmalingam, "Sleep Health and Lifestyle Dataset," Kaggle, 2023.[Online]. Available: https://www.kaggle.com/datasets/uom190346a/sleep-health-and-lifestyle-dataset