Prediksi Gangguan Tidur pada Sleep Health and Lifestyle Menggunakan Support Vector Machine dan Neural Network
##plugins.themes.academic_pro.article.sidebar##
Downloads
##plugins.themes.academic_pro.article.main##
Abstract
Tidur dan gaya hidup sehat berperan penting dalam menjaga keseimbangan fisik dan mental seseorang. Faktor yang dapat mempengaruhi gangguan tidur seseorang dapat disebabkan karena pekerjaan individu, durasi tidur, kualitas tidur, tingkat aktivitas, dan faktor gaya hidup lainnya. Tujuan dari penelitian ini menganalisi terjadinya gangguan tidur pada seseorang dengan melihat data faktor-faktor yang mempengaruhi. Maka dari itu diperlukannya suatu sistem yang dapat menganalisis terjadinya gangguan tidur pada seseorang. Penelitian ini mengelompokkan data menggunakan data mining dan membandingkan dua metode prediksi untuk memperkirakan faktor gangguan tidur berdasarkan dataset kesehatan tidur dan gaya hidup yang diimplementasikan pada aplikasi Orange. Dua metode penelitian ini menggunakan algoritma Support Vector Machine dan algoritma Neural Network, untuk mengembangkan model prediksi yang akurat. Berdasarkan analisis dari dua metode algoritma tersebut akurasi pada Support Vector Machine persentasenya 90.1% dan akurasi algoritma Neural Network persentasenya 91.2%. Hasil penelitian menunjukkan bahwa kedua model memiliki tingkat akurasi yang memuaskan dalam memprediksi variabel kesehatan tidur dan gaya hidup. Hasil dari perbandingan dua algoritma, Neural Network yang memiliki persentase yang lebih baik dari klasifikasi data kesehatan tidur dan gaya hidup yang memiliki akurasi AUC 0.907, CA 0.912, F1 0.912, Presisi 0.912, dan Recall 0.912.
##plugins.themes.academic_pro.article.details##
This work is licensed under a Creative Commons Attribution 4.0 International License.
References
[2] S. S. Azzahra, “Obstructive Sleep Apnea (OSA) Sebagai Faktor Resiko Hipertensi,” Jurnal Ilmiah Kesehatan Sandi Husada, vol. 10, no. 2, 2019, doi: 10.35816/jiskh.v10i2.180.
[3] Y. Wendong, Z. Lou, and J. Bo, “A multi-factor analysis model of quantitative investment based on GA and SVM,” in 2017 2nd International Conference on Image, Vision and Computing, ICIVC 2017, 2017. doi: 10.1109/ICIVC.2017.7984734.
[4] D. M. Abdullah and A. M. Abdulazeez, “Machine Learning Applications based on SVM Classification: A Review,” Qubahan Academic Journal, vol. 1, no. 2, 2021, doi: 10.48161/qaj.v1n2a50.
[5] S. Long, X. Huang, Z. Chen, S. Pardhan, D. Zheng, and F. Scalzo, “Automatic detection of hard exudates in color retinal images using dynamic threshold and SVM classification: Algorithm development and evaluation,” Biomed Res Int, vol. 2019, 2019, doi: 10.1155/2019/3926930.
[6] M. A. Setyadji, A. Faqih, and Y. A. Wijaya, “Peramalan Harga Komoditas Beras Di Kalimantan Timur Menggunakan Algoritma Neural Network,” 2023.
[7] Intana Purnama Sari, “Pengantar Algoritma Dan Pemrograman,” Osf Preprints, vol. 4, no. 1, 2021.
[8] M. Adjie Setyadj, A. Faqih, and Y. Arie Wijaya, “Peramalan Harga Komoditas Beras Di Kalimantan Timur Menggunakan Algoritma Neural Network,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 1, 2023, doi: 10.36040/jati.v7i1.6327.
[9] R. Ridwan, H. Lubis, and P. Kustanto, “Implementasi Algoritma Neural Network dalam Memprediksi Tingkat Kelulusan Mahasiswa,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 4, p. 286, Apr. 2020, doi: 10.30865/mib.v4i2.2035.
[10] A. Khaleel Faieq and M. M. Mijwil, “Prediction of heart diseases utilising support vector machine and artificial neural network,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 26, no. 1, 2022, doi: 10.11591/ijeecs.v26.i1.pp374-380.
[11] M. M. Mutoffar, “Prediction of Heart Disease Using Random Forest Algorithm, Support Vector Machine and Neural Network,” TELKOMNIKA Telecommunication Computing Electronics and Control, vol. 99, no. 1, pp. 1–1, 2099, doi: 10.12928/TELKOMNIKA.v99i1.paperID.
[12] A. Lumute Unihehu and I. Suharjo, “KLASIFIKASI JENIS IKAN BERBASIS JARINGAN SARAF TIRUAN MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS (PCA),” vol. 7, no. 2, 2021, [Online]. Available: http://ejournal.fikom-unasman.ac.id
[13] J. Veronika and A. Andri, “Penerapan Metode Algoritma Neural Network Untuk Memprediksi Penjualan Bahan Bakar Minyak,” Journal of Information Technology Ampera, vol. 3, no. 2, 2022, doi: 10.51519/journalita.volume3.isssue2.year2022.page235-243.
[14] I. Indriyanti, N. Ichsan, H. Fatah, T. Wahyuni, and E. Ermawati, “Implementasi Orange Data Mining Untuk Prediksi Harga Bitcoin,” Jurnal Responsif : Riset Sains dan Informatika, vol. 4, no. 2, 2022, doi: 10.51977/jti.v4i2.762.