Analisis Perbandingan Algoritma Decision Tree, Random Forest, dan Naive Bayes dalam Klasifikasi Gangguan Tidur
DOI:
https://doi.org/10.69836/ncrcs-sinesia.v1i1.41Keywords:
Klasifikasi, Gangguan Tidur, Decision Tree, Random Forest, Naive BayesAbstract
Analisis data memiliki banyak metode salah satunya adalah data mining dengan teknik klasifikasi berbasis machine learning. Penelitian ini membandingkan tiga algoritma data mining yaitu algoritma Decision Tree, algoritma Random Forest, dan algoritma Naïve Bayes. Ketiga algoritma ini dipilih untuk menentukan algoritma mana yang efektif dan memiliki performa terbaik dalam proses klasifikasi. Klasifikasi merupakan proses menganalisis data dengan mengelompokkan sampel data berdasarkan kategori atau label yang sudah ditentukan sebelumnya menggunakan teknik supervised learning. Penelitian ini menggunakan kasus gangguan tidur sebagai sample datanya. Gangguan tidur adalah kondisi seseorang yang mengalami masalah terkait durasi, kualitas atau pola tidur. Kebanyakan orang tidak menghiraukan tanda – tanda gangguan tidur yang mereka alami sehingga mereka tidak menyadari bahwa bisa saja mereka mengalami gangguan tidur. Deteksi dini gangguan tidur dapat membantu mencegah berbagai masalah kesehatan yang serius. Penelitian ini dilakukan untuk menganalisis performa dari masing – masing algoritma dan memberikan rekomendasi algoritma terbaik untuk klasifikasi gangguan tidur serta pengembangan sistem deteksi gangguan tidur. Penelitian ini membandingkan hasil performa dari algoritma Decision Tree, algoritma Random Forest, dan algoritma Naïve Bayes. Data yang digunakan yaitu Sleep Health and Lifestyle Dataset yang diperoleh secara online melalui Open Data Source yakni dari Platform Kaggle yang terdiri dari 374 data dan 13 atribut. Berdasarkan hasil pengujian Decision Tree, Random Forest, dan Naïve Bayes, diperoleh hasil rata – rata akurasi Decision Tree 91.49%, Random Forest 87.23%, dan Naïve Bayes 76.59%. Dapat disimpulkan bahwa algoritma Decision Tree memberikan performa terbaik dalam klasifikasi gangguan tidur.
References
Agung, A., Daniswara, A., Kadek, I., & Nuryana, D. (2023). Data Preprocessing Pola Pada Penilaian Mahasiswa Program Profesi Guru. Journal of Informatics and Computer Science, 05, 97–100.
Arya Darmawan, M. B., Dewanta, F., & Astuti, S. (2023). Analisis Perbandingan Algoritma Decision Tree, Random Forest, dan Naïve Bayes untuk Prediksi Banjir di Desa Dayeuhkolot. TELKA - Telekomunikasi Elektronika Komputasi Dan Kontrol, 9(1), 52–61. https://doi.org/10.15575/telka.v9n1.52-61
Azhari, M., Situmorang, Z., & Rosnelly, R. (2021). Perbandingan Akurasi, Recall, dan Presisi Klasifikasi pada Algoritma C4.5, Random Forest, SVM dan Naive Bayes. Jurnal Media Informatika Budidarma, 5(2), 640. https://doi.org/10.30865/mib.v5i2.2937
Baharuddin, F., & Tjahyanto, A. (2022). Peningkatan Performa Klasifikasi Machine Learning Melalui Perbandingan Metode Machine Learning dan Peningkatan Dataset. Jurnal Sisfokom (Sistem Informasi Dan Komputer), 11(1), 25–31. https://doi.org/10.32736/sisfokom.v11i1.1337
Brianorman, Y., & Sucipto, S. (2024). Prediction of Prospective New Students Using Decision Tree, Random Forest, and Naive Bayes. BAREKENG: Jurnal Ilmu Matematika Dan Terapan, 18(3), 1433–1446. https://doi.org/10.30598/barekengvol18iss3pp1433-1446
Cardova, A., & Hermawan, A. (2023). Implementasi Metode LSTM Untuk Mengklasifikasi Berita Palsu Pada PolitiFact. Jurnal Fasilkom, 13(3), 471–479. https://doi.org/10.37859/jf.v13i3.6175
Dr. H. Fuad Nashori, S.Psi., M.Si., M.Ag., P., & Etik Dwi Wulandari, S.Psi., M.Psi., P. (2017). Psikologi Tidur: Dari kualitas tidur hingga insomnia. 11(1), 1–14.
Fuji Astari, D., Herry Chrisnanto, Y., & Melina, M. (2024). Klasifikasi Tingkat Stres Saat Tidur Menggunakan Algoritma Random Forest. JATI (Jurnal Mahasiswa Teknik Informatika), 7(5), 3676–3684. https://doi.org/10.36040/jati.v7i5.7750
Hassan, C. A. U., Khan, M. S., & Shah, M. A. (2018). Comparison of Machine Learning Algorithms in Data classification. https://doi.org/10.23919/IConAC.2018.8748995
Herikurniawan, B. (n.d.). Demokrasi Digital: Dinamika Peluang dan Tantangan di Era Media Sosial. Retrieved 31 October 2024, from https://www.kompasiana.com/bagusheri/65ae322dde948f6e3d4f7272/demokrasi-digital-dinamika-peluang-dan-tantangan-di-era-media-sosial?form=MG0AV3
Kamaliyah, A. F., Studi, P., Informasi, T., Sains, F., Tekologi, D. A. N., Ibrahimy, U., & Situbondo, S. (2023). Pesantren Dengan Metode Elbow Dan Silhouette Pada Algoritma Clustering K-Medoids Pada Algoritma Clustering K-Medoids.
Kesehatan, D. J. P. (2022). Mengenal Gangguan Tidur.
Mais, F. R., Rompas, S. S. J., & Gannika, L. (2020). Kecanduan Game Online Dengan Insomnia Pada Remaja. Jurnal Keperawatan, 8(2), 18. https://doi.org/10.35790/jkp.v8i2.32318
Prabowo, A., Wardani, S., Wijaya Dewantoro, R., & Wesly, W. (2023). Komparasi Tingkat Akurasi Random Forest dan Decision Tree C4.5 Pada Klasifikasi Data Penyakit Infertilitas. KLIK: Kajian Ilmiah Informatika Dan Komputer, 4(1), 218–224. https://doi.org/10.30865/klik.v4i1.1115
Rahmat, A. ., Ladjamuddin, M. ., & Awaludin, T. . (2023). Perbandingan Algoritma Decision Tree, Random Forest Dan Naive Bayes Pada Prediksi Penilaian Kepuasan Penumpang Maskapai Pesawat Menggunakan Dataset Kaggle. Jurnal Rekayasa Informasi, 12(2), 150–159.
Renganathan, V. (2021). Machine Learning Algorithms for Data Scientists: An Overview. Vinaitheerthan Renganathan.
Sari, D. (2024). Prediksi Gangguan Tidur pada Sleep Health and Lifestyle Menggunakan Support Vector Machine dan Neural Network. JAVIT : Jurnal Vokasi Informatika, 36–42. https://doi.org/10.24036/javit.v4i1.168
Setyawan, D. (2016). Analisis Implementasi Pemanfaatan Sistem Informasi Manajemen Rumah Sakit (Simrs) Pada Rsud Kardinah Tegal. IJCIT (Indonesian Journal on Computer and …, 1(2), 54–61.
Stroke, N. I. of N. D. and. (n.d.). Brain Basics: Understanding Sleep.
Yasir, M., & Suraji, R. (2023). Perbandingan Metode Klasifikasi Naive Bayes, Decision, Tree, Random Forest Terhadap Analisis Sentimen Kenaikan Biaya Haji 2023 pada Media Sosial Youtube. Jurnal Cahaya Mandalika (JCM), 3(2), 180–192.
Zed, M. (2008). Metode Penelitian Kepustakaan (Library Research). Yayasan Pustaka Obor Indonesia, 2008.
