Deteksi Gangguan Tidur Menggunakan Support Vector Machine pada Aplikasi Web Streamlit

Abstrak

Gangguan tidur menjadi salah satu permasalahan kesehatan yang dapat berdampak pada kondisi fisik, mental, dan produktivitas individu. Kondisi ini dapat dipengaruhi oleh faktor gaya hidup maupun fisiologis, seperti durasi tidur, kualitas tidur, tingkat stres, aktivitas fisik, detak jantung, dan tekanan darah. Penelitian ini bertujuan untuk menerapkan metode Support Vector Machine (SVM) dalam mengklasifikasikan gangguan tidur ke dalam tiga kategori, yaitu normal, insomnia, dan sleep apnea, serta membangun aplikasi web berbasis Streamlit untuk mendukung proses prediksi secara interaktif. Dataset yang digunakan adalah Sleep Health and Lifestyle yang diperoleh dari Kaggle. Tahapan penelitian mencakup pra-pemrosesan data, normalisasi menggunakan StandardScaler, pelatihan model SVM dan lima algoritma pembanding, serta hyperparameter tuning untuk memperoleh performa terbaik. Hasil pengujian menunjukkan bahwa model SVM dengan kernel poly menghasilkan akurasi sebesar 97,33% dan F1-score makro sebesar 0,9569. Model terbaik kemudian diimplementasikan ke dalam aplikasi web yang mampu menampilkan hasil klasifikasi beserta probabilitas tiap kelas, sehingga dapat dimanfaatkan sebagai media skrining awal gangguan tidur yang mudah digunakan.

Identifier

• OpenAlex: https://openalex.org/W7162995553
• DOI: https://doi.org/10.33633/joins.v11i1.16125