Prediksi Kualitas Tidur: Pendekatan Machine Learning yang Mengintegrasikan Faktor Kesehatan dan Lingkungan

Jordy Lasmana Putra; Wahyutama Fitri Hidayat

doi:10.31294/coscience.v4i2.4737

Penulis

Jordy Lasmana Putra Universitas Nusa Mandiri
Wahyutama Fitri Hidayat Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.31294/coscience.v4i2.4737

Kata Kunci:

Sleep Quality, Machine Learning, Deep Learning, Random Forest, NPHA

Abstrak

ganguan tidur sangat mempengaruhi kualitas tidur seseorang yang dapat menyebabkan masalah kesehatan yang serius, untuk kalangan lansia kualitas tidur yang buruk dapat menyebabkan tingkat harapan hidup menurun drastis. Banyak sekali faktor-faktor yang dapat mempengaruhi kualitas tidur lansia, yang perlu dilakukan analisis dan prediksi agar dapat meningkatkan kualitas tidur yang baik. Penelitian ini bertujuan untuk melakukan prediksi kualitas tidur lansia dengan mengintegrasikan faktor kesehatan dan lingkungan menggunakan pendekatan machine learning, data set yang digunakan adalah data set baru yang ada di website kaggle.com yaitu data National Poll on Healthy Aging (NPHA) yang berisikan wawasan tentang isu kesehatan, perawatan kesehatan, dan kebijakan kesehatan yang memengaruhi orang Amerika berusia 50 tahun ke atas. Metode maching learning, yaitu deep learning dengan algoritma Random Forest digunakan pada penelitian ini dan menunjukkan hasil yang baik dengan nilai akurasi 94,00% dan 44,44% akurasi yang didapatkan dengan menggunakan data latih.

Referensi

Aisyah, I. U., & Wijayani, Q. N. (2023). PENGGUNAAN GADGET TERHADAP KUALITAS TIDUR DAN KESEHATAN MENTAL REMAJA. 2(9), 31–40. https://doi.org/https://doi.org/10.6578/triwikrama.v2i9.1421

Alghifari, F., & Juardi, D. (2021). Penerapan Data Mining Pada Penjualan Makanan Dan Minuman Menggunakan Metode Algoritma Naïve Bayes. Jurnal Ilmiah Informatika, 9(02), 75–81. https://doi.org/10.33884/jif.v9i02.3755

Alghwiri, A. A., Almomani, F., Alghwiri, A. A., & Whitney, S. L. (2021). Predictors of sleep quality among university students: the use of advanced machine learning techniques. Sleep and Breathing, 25(2), 1119–1126. https://doi.org/10.1007/s11325-020-02150-w

Alshammari, T. S. (2024). Applying Machine Learning Algorithms for the Classification of Sleep Disorders. IEEE Access, 12. https://doi.org/10.1109/ACCESS.2024.3374408

Arora, A., Chakraborty, P., & Bhatia, M. P. S. (2020). Analysis of Data from Wearable Sensors for Sleep Quality Estimation and Prediction Using Deep Learning. Arabian Journal for Science and Engineering, 45(12), 10793–10812. https://doi.org/10.1007/s13369-020-04877-w

Arvidsson, J. (n.d.). National Poll on Healthy Aging (NPHA).

Hidayat, H., Sunyoto, A., & Al Fatta, H. (2023). Klasifikasi Penyakit Jantung Menggunakan Random Forest Clasifier. Jurnal SISKOM-KB (Sistem Komputer Dan Kecerdasan Buatan), 7(1), 31–40. https://doi.org/10.47970/siskom-kb.v7i1.464

Jasmine, K., & Martdianty, F. (2022). The Analisis Pengaruh Abusive Supervision terhadap Employee Creativity dengan Sleep Deprivation, Emotional Exhaustion, dan Self Efficacy sebagai Mediator. Jurnal Manajemen Dan Organisasi, 13(1), 23–35. https://doi.org/10.29244/jmo.v13i1.34343

Li, L., Li, X., Huang, Y., Li, H., Li, C., Ma, Y., Zhang, J., Peng, F., & Lyu, S. (2024). An RCT META analysis based on the effect of tai chi exercise therapy on the outcome of elderly patients with moderate-to-severe sleep disorders-A systematic review study. Heliyon, 10(2). https://doi.org/10.1016/j.heliyon.2024.e24085

Lin, Y., Wang, M., Hu, F., Cheng, X., & Xu, J. (2024). Multimodal Polysomnography-Based Automatic Sleep Stage Classification via Multiview Fusion Network. IEEE Transactions on Instrumentation and Measurement, 73. https://doi.org/10.1109/TIM.2023.3343781

Lyons, S., Strazdins, L., & Doan, T. (2022). Work intensity and workers’ sleep: A case of working Australians. Humanities and Social Sciences Communications, 9(1). https://doi.org/10.1057/s41599-022-01410-2

Mahmud, M., Kaiser, M. S., McGinnity, T. M., & Hussain, A. (2021). Deep Learning in Mining Biological Data. In Cognitive Computation (Vol. 13, Issue 1). Springer US. https://doi.org/10.1007/s12559-020-09773-x

Mehta, K. J. (2022). Effect of sleep and mood on academic performance—at interface of physiology, psychology, and education. Humanities and Social Sciences Communications, 9(1), 1–13. https://doi.org/10.1057/s41599-021-01031-1

Nasir, V., & Sassani, F. (2021). A review on deep learning in machining and tool monitoring: methods, opportunities, and challenges. International Journal of Advanced Manufacturing Technology, 115(9–10), 2683–2709. https://doi.org/10.1007/s00170-021-07325-7

Nugraha, F. A., Aisyiah, A., & Wowor, T. J. F. (2023). Analisis Faktor yang Berhubungan dengan Kualitas Tidur pada Remaja di SMPN 254 Jakarta. Malahayati Nursing Journal, 5(9). https://doi.org/10.33024/mnj.v5i9.9242

Phan, D. Van, Chan, C. L., & Nguyen, D. K. (2020). Applying deep learning for prediction sleep quality from wearable data. ACM International Conference Proceeding Series, class 1, 51–55. https://doi.org/10.1145/3418094.3418114

Renata, E., & Ayub, M. (2020). Penerapan Metode Random forest untuk Analisis Risiko pada dataset Peer to peer lending. Jurnal Teknik Informatika Dan Sistem Informasi, 6(3), 462–474. https://doi.org/10.28932/jutisi.v6i3.2890

Yuliadarwati, N. M., & Utami, K. P. (2022). Pengaruh Latihan Relaksasi Otot Progresif bagi Lansia dengan Kualitas Tidur Buruk. PengabdianMu: Jurnal Ilmiah Pengabdian Kepada Masyarakat, 7(2), 319–323. https://doi.org/10.33084/pengabdianmu.v7i2.2537