Evaluasi Model Pembelajaran Mesin dalam Memprediksi Kualitas Tidur Berdasarkan Pola Makan dan Aktivitas Fisik
DOI:
https://doi.org/10.25077/TEKNOSI.v12i2.2026.213-221Kata Kunci:
Kualitas Tidur Logistic Regression Gradient Boosting Permutation Feature Importance Pola MakanAbstrak
Kualitas tidur merupakan indikator kesehatan yang penting, dibentuk oleh interaksi rumit dari berbagai elemen multidimensi, termasuk kebiasaan makan, tingkat aktivitas fisik, dan kesejahteraan psikologis. Tujuan dari penelitian ini adalah untuk menilai kemanjuran algoritma pembelajaran mesin linier (Regresi Logistik) dan nonlinier (Decision Tree dan Gradient Boosting) dalam meramalkan gangguan tidur. Dataset yang digunakan berasal dari survei yang mencakup 195 peserta dan menjalani beberapa tahap prapemrosesan, termasuk pembersihan data, rekayasa fitur (terutama mengenai durasi), dan standardisasi melalui normalisasi Z-score. Validasi model dilakukan dengan menggunakan teknik Stratified 5-Fold Cross-Validation untuk mengurangi bias dan memastikan stabilitas metrik kinerja. Temuan menunjukkan bahwa model Regresi Logistik, dioptimalkan melalui penyesuaian ambang batas (dengan ambang penyetelan 0,55), menunjukkan kinerja yang paling menguntungkan dan konsisten, mencapai tingkat akurasi 79,5% dan penarikan kembali 96,7%, sehingga melampaui kemanjuran model non-linier seperti Gradient Boosting. Hasil ini menguatkan prinsip kesederhanaan, yang menyatakan bahwa, dalam kumpulan data terbatas, model linier yang lebih sederhana sering menunjukkan ketahanan yang lebih besar daripada rekan-rekan mereka yang lebih kompleks, yang rentan terhadap overfitting. Penilaian interpretabilitas yang dilakukan melalui Analisis Pentingnya Fitur Permutasi menunjukkan bahwa praktik diet sebelum tidur dan tingkat stres muncul sebagai faktor dominan yang mempengaruhi kualitas tidur, melampaui kontribusi aktivitas fisik dan variabel antropometri (seperti tinggi dan berat badan). Mengingat temuan ini, penelitian ini menganjurkan intervensi kesehatan yang menekankan manajemen nutrisi berorientasi waktu (krononutrisi) dan merekomendasikan penggunaan model linier sebagai strategi dasar dalam proses skrining untuk populasi yang ditandai dengan ukuran sampel yang terbatas.Referensi
D. Freeman, B. Sheaves, F. Waite, A. G. Harvey, and P. J. Harrison, “Sleep disturbance and psychiatric disorders.,” The lancet. Psychiatry, vol. 7, no. 7, pp. 628–637, Jul. 2020, doi: 10.1016/S2215-0366(20)30136-X.
M. R. Irwin, “Why sleep is important for health: a psychoneuroimmunology perspective.,” Annu. Rev. Psychol., vol. 66, pp. 143–172, Jan. 2015, doi: 10.1146/annurev-psych-010213-115205.
I. Clark and H.-P. Landolt, “Coffee, Caffeine, and Sleep: a Systematic Review of Epidemiological Studies and Randomized Controlled Trials,” Sleep Med. Rev., vol. 31, 2017, doi: 10.1016/j.smrv.2016.01.006.
B. J. Krakow, V. A. Ulibarri, B. A. Moore, and N. D. McIver, “Posttraumatic stress disorder and sleep-disordered breathing: a review of comorbidity research,” Sleep Med. Rev., vol. 24, pp. 37–45, 2015, doi: https://doi.org/10.1016/j.smrv.2014.11.001.
M. Scapuccin et al., “Integrating the Divided Nasal Cannula Into Routine Polysomnography to Assess Nasal Cycle: Feasibility and Effect on Outcomes,” J. Clin. Sleep Med., vol. 14, no. 04, pp. 641–650, 2018, doi: 10.5664/jcsm.7062.
D. Cirillo et al., “Sex and gender differences and biases in artificial intelligence for biomedicine and healthcare,” npj Digit. Med., vol. 3, no. 1, p. 81, 2020, doi: 10.1038/s41746-020-0288-5.
A. Rajkomar, J. Dean, and I. Kohane, “Machine Learning in Medicine,” N. Engl. J. Med., vol. 380, no. 14, pp. 1347–1358, 2019, doi: 10.1056/NEJMra1814259.
B. T. Lopes, A. Eliasy, and R. Ambrosio, “Artificial Intelligence in Corneal Diagnosis: Where Are we?,” Curr. Ophthalmol. Rep., vol. 7, no. 3, pp. 204–211, Sep. 2019, doi: 10.1007/s40135-019-00218-9.
S. García, J. Luengo, and F. Herrera, Data Preprocessing in Data Mining, vol. 72. Cham: Springer International Publishing, 2015.
R. Koenker, V. Chernozhukov, X. He, and L. Peng, Eds., Handbook of Quantile Regression. Chapman and Hall/CRC, 2017.
T. Emmanuel, T. Maupong, D. Mpoeleng, T. Semong, B. Mphago, and O. Tabona, “A survey on missing data in machine learning,” J. Big Data, vol. 8, no. 1, p. 140, Oct. 2021, doi: 10.1186/s40537-021-00516-9.
D. Bertsimas, C. Pawlowski, and Y. Zhuo, “From predictive methods to missing data imputation: An optimization approach,” J. Mach. Learn. Res., vol. 18, pp. 1–39, 2018.
H. Liu, Feature Engineering for Machine Learning and Data Analytics. 2018.
V. Hodge and J. Austin, “A Survey of Outlier Detection Methodologies,” Artif. Intell. Rev., vol. 22, no. 2, pp. 85–126, Oct. 2004, doi: 10.1023/B:AIRE.0000045502.10941.a9.
T. Hastie, R. Tibshirani, and J. H. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 2001.
L. Breiman, “Random Forests,” Mach. Learn., vol. 45, no. 1, pp. 5–32, Oct. 2001, doi: 10.1023/A:1010933404324.
J. H. Friedman, “Greedy function approximation: A gradient boosting machine.,” Ann. Stat., vol. 29, no. 5, Oct. 2001, doi: 10.1214/aos/1013203451.
S. Shafazand, “Sleep in Women: Gender Differences in Health and Disease,” in Principles of Gender-Specific Medicine, Elsevier, 2010, pp. 244–251.
M. Hirshkowitz et al., “National Sleep Foundation’s sleep time duration recommendations: methodology and results summary,” Sleep Heal., vol. 1, no. 1, pp. 40–43, Mar. 2015, doi: 10.1016/j.sleh.2014.12.010.
H. G. Lund, B. D. Reider, A. B. Whiting, and J. R. Prichard, “Sleep Patterns and Predictors of Disturbed Sleep in a Large Population of College Students,” J. Adolesc. Heal., vol. 46, no. 2, pp. 124–132, Feb. 2010, doi: 10.1016/j.jadohealth.2009.06.016.
D. Kalmbach et al., “Hyperarousal and sleep reactivity in insomnia: current insights,” Nat. Sci. Sleep, vol. Volume 10, pp. 193–201, Jul. 2018, doi: 10.2147/NSS.S138823.
E. Christodoulou, J. Ma, G. S. Collins, E. W. Steyerberg, J. Y. Verbakel, and B. Van Calster, “A systematic review shows no performance benefit of machine learning over logistic regression for clinical prediction models,” J. Clin. Epidemiol., vol. 110, pp. 12–22, Jun. 2019, doi: 10.1016/j.jclinepi.2019.02.004
Unduhan
Telah diserahkan
Diterima
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Jurnal Nasional Teknologi dan Sistem Informasi
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Hak cipta untuk artikel ini ditransfer ke Jurnal Nasional Teknologi dan Sistem Informasi (TEKNOSI) jika dan ketika artikel diterima untuk publikasi. Yang bertanda tangan di bawah ini dengan ini mentransfer setiap dan semua hak di dalam dan ke kertas termasuk tanpa batasan semua hak cipta untuk TEKNOSI. Yang bertanda tangan di bawah ini dengan ini menyatakan dan menjamin bahwa makalah tersebut asli dan bahwa ia adalah pembuat makalah, kecuali untuk bahan yang secara jelas diidentifikasi sebagai sumber aslinya, dengan pemberitahuan izin dari pemilik hak cipta jika diperlukan. Yang bertanda tangan di bawah ini menyatakan bahwa ia memiliki kekuatan dan wewenang untuk membuat dan melaksanakan penugasan ini.
Kami menyatakan bahwa:
- Makalah ini belum diterbitkan dalam bentuk yang sama di tempat lain.
- Makalah ini tidak akan dikirimkan di tempat lain untuk publikasi sebelum penerimaan/penolakan oleh Jurnal ini
- Izin hak cipta diperoleh untuk materi yang diterbitkan di tempat lain dan yang memerlukan izin ini untuk reproduksi.
Selanjutnya, Saya/kami dengan ini mentransfer hak publikasi yang tidak terbatas dari makalah yang disebutkan di atas secara keseluruhan kepada TEKNOSI. Transfer hak cipta mencakup hak untuk mereproduksi dan mendistribusikan artikel, termasuk cetak ulang, terjemahan, reproduksi foto, mikroform, bentuk elektronik (offline, online) atau reproduksi lain yang serupa.
Penulis yang sesuai menandatangani dan menerima tanggung jawab untuk merilis materi ini atas nama setiap dan semua penulis bersama. Perjanjian ini harus ditandatangani oleh setidaknya salah satu penulis yang telah memperoleh persetujuan dari rekan penulis jika berlaku. Setelah pengajuan perjanjian ini ditandatangani oleh penulis yang sesuai, perubahan kepengarangan atau dalam urutan penulis yang tercantum tidak akan diterima.
Hak / Syarat dan Ketentuan yang dipertahankan :
- Penulis memiliki semua hak kepemilikan dalam setiap proses, prosedur, atau artikel manufaktur yang dijelaskan dalam Karya ini.
- Penulis dapat mereproduksi atau mengotorisasi orang lain untuk mereproduksi karya ini atau karya turunannya untuk penggunaan pribadi penulis atau untuk penggunaan perusahaan, dengan ketentuan bahwa sumber dan menyatakan hak cipta dimiliki TEKNOSI, salinan tidak digunakan dengan cara apa pun yang menyiratkan pengesahan TEKNOSI atas suatu produk atau layanan dari pihak mana pun, dan salinannya sendiri tidak ditawarkan untuk dijual.
- Meskipun penulis diizinkan untuk menggunakan kembali semua atau sebagian dari karya ini dalam karya lain, ini tidak termasuk mengabulkan permintaan pihak ketiga untuk mencetak ulang, menerbitkan ulang, atau jenis penggunaan ulang lainnya.
This work is licensed under a 