Gangguan tidur merupakan masalah kesehatan yang berdampak besar terhadap kualitas hidup dan produktivitas individu. Deteksi dini terhadap gangguan tidur seperti Insomnia dan Sleep Apnea penting dilakukan guna mencegah komplikasi lebih lanjut. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model klasifikasi gangguan tidur menggunakan algoritma Support Vector Machine (SVM) dan Least Squares Support Vector Machine (LSSVM). Proses evaluasi model dilakukan terhadap seluruh populasi data uji yang terdiri dari 374 instan data, yang mencakup fitur-fitur kesehatan dan demografi. Proses preprocessing mencakup normalisasi, encoding variabel kategorikal, serta stratified sampling untuk pembagian data menjadi data latih dan uji. Evaluasi model dilakukan menggunakan confusion matrix dan metrik akurasi, presisi, recall, serta F1-score, baik secara keseluruhan maupun per kelas. Hasil menunjukkan bahwa kedua model memiliki akurasi yang sama sebesar 93,33%. Namun, terdapat perbedaan signifikan dalam performa antar kelas. SVM unggul dalam mengklasifikasikan kelas mayoritas (None) dengan precision sebesar 1.00 dan F1- score sebesar 0.99, namun cenderung kurang optimal dalam mengenali kelas minoritas. Sebaliknya, LSSVM menunjukkan performa yang lebih seimbang, dengan precision sebesar 1.00 dan F1-score sebesar 0.90 pada kelas Sleep Apnea, serta recall sempurna pada kelas None. Hal ini mengindikasikan bahwa LSSVM lebih andal dalam menangani data tidak seimbang dan menjaga konsistensi klasifikasi lintas kategori. Kesimpulan dari penelitian ini adalah bahwa LSSVM merupakan pendekatan yang lebih unggul dalam konteks klasifikasi multi-class dengan distribusi data yang tidak merata. Model ini direkomendasikan untuk digunakan pada sistem deteksi gangguan tidur berbasis machine learning yang membutuhkan akurasi tinggi dan performa seimbang antar kelas.

S12035

INF 0062 2025

Bekasi

Tersedia