Klasifikasi Risiko Gangguan Tidur Berbasis Random Forest dan Analisis Feature Importance
Abstract
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
References
Ahmed Salman, H., Kalakech, A., & Steiti, A. (2024). Random Forest Algorithm Overview. Babylonian Journal of Machine Learning, 2024, 69–79. https://doi.org/https://doi.org/10.58496/BJML/2024/007
Aini, N., Arif, M., Tri Agustin, I., & Binti Toyibah, Z. (2024). Implementasi Algoritma Random Forest untuk Klasifikasi Bidang MSIB di Prodi Pendidikan Informatika. JURNAL INFORMATIKA, 11(1), 11–16. https://doi.org/https://doi.org/10.31294/inf.v11i1.20637
Bianca Putri, N., & Wahyu Wijayanto, A. (2022). Analisis Komparasi Algoritma Klasifikasi Data Mining Dalam Klasifikasi Website Phishing. Komputika: Jurnal Sistem Komputer, 11(1), 59–66. https://doi.org/10.34010/komputika.v11i1.4350
Farizkia Dinda, R., Budi Yulianti, A., & Ary Lantika, U. (2023). Hubungan Tingkat Stress dan Kualitas Tidur Pada Mahasiswa Fakultas Kedokteran Tahap Akademik Universitas Islam Bandung. Bandung Conference Series: Medical Science, 3(1), 927–931. https://doi.org/10.29313/bcsms.v3i1.6888
Khasanah, N., Uki Eka Saputri, D., Aziz, F., & Hidayat, T. (2025). Studi Perbandingan Algoritma Random Forest dan K-Nearest Neighbors (KNN) dalam Klasifikasi Gangguan Tidur. Computer Science (CO-SCIENCE), 5(1), 17–25. https://doi.org/https://doi.org/10.31294/coscience.v5i1.5522
Riyandi, A., Fernandez, S., Wijayanto, S., & Sukmadiningtyas. (2025). Classification Of Sleep Disorders Based On Lifestyle And Health Factors Using Machine Learning. Journal of Artificial Intelligence and Software Engineering, 5(2), 783–789. https://doi.org/10.30811/jaise.v5i2.6983
Srirahayu, A., & Setya Pribadie, L. (2023). Review Paper Data Mining Klasifikasi Data Mining. JURNAL ILMIAH INFORMATIKA GLOBAL, 14(1), 7–12. https://doi.org/10.36982/jiig.v13i2.2307
Thalla, M. K. (2023). Sleep Health and Daily Performance Dataset. Kaggle. https://www.kaggle.com/datasets/mohankrishnathalla/sleep-health-and-daily-performance-dataset
Wilanda, A., Shofi Mubarok, A., Suprayitno, E., Sumarni, S., & Imran, S. (2024). Pengaruh Gaya Hidup Sehat, Kualitas Tidur, dan Pola Makan terhadap Tingkat Kesehatan Mental pada Pekerja Kantoran di Jawa Barat. Jurnal Multidisiplin West Science, 3(1), 69–77. https://doi.org/https://doi.org/10.58812/jmws.v3i01.946
Zhang, C., Yu, L., Li, L., Zeng, P., & Zhang, X. (2024). Screening for moderate to severe obstructive sleep apnea by using heart rate variability features based on random forest algorithm. Sleep and Breathing, 28, 2521–2530. https://doi.org/10.1007/s11325-024-03151-9
Huang, A. A., & Id, S. Y. H. (2024). Comparison of model feature importance statistics to identify covariates that contribute most to model accuracy in prediction of insomnia. 865, 1–12. https://doi.org/10.1371/journal.pone.0306359
Monowar, M. M., Nobel, S. M. N., Afroj, M., Hamid, M. A., Uddin, M. Z., Kabir, M. M., & Mridha, M. F. (2025). Advanced sleep disorder detection using multi-layered ensemble learning and advanced data balancing techniques.
Wang, H., Zhang, C., Chen, B., Xie, Y., & Tian, P. (2026). Development , validation , and visualization of a machine learning-based predictive model for depression risk in sleep disorder patients.
