OPTIMASI KLASIFIKASI RISIKO SLEEP APNEA MENGGUNAKAN TREE FEATURE IMPORTANCE PADA MODEL MACHINE LEARNING

Abstrak

seperti penyakit kardiovaskular dan penurunan kualitas hidup, sementara metode diagnosis konvensional masih memiliki keterbatasan dari segi biaya dan waktu. Oleh karena itu, penelitian ini bertujuan untuk mengklasifikasikan risiko sleep apnea serta menganalisis pengaruh seleksi fitur terhadap performa model klasifikasi. Metode yang digunakan adalah pendekatan eksperimen kuantitatif dengan menerapkan tiga algoritma, yaitu Logistic Regression, Decision Tree, dan Random Forest, serta teknik seleksi fitur berbasis Tree Feature Importance. Dataset yang digunakan adalah Sleep Health and Lifestyle Dataset dari Kaggle yang terdiri dari 374 data responden dan 13 fitur terkait kesehatan tidur dan gaya hidup. Data dibagi menjadi 80% data pelatihan dan 20% data pengujian menggunakan stratified sampling, kemudian dievaluasi menggunakan metrik accuracy, precision, recall, F1-score, dan Area Under Curve (AUC). Hasil penelitian menunjukkan bahwa Logistic Regression memberikan performa paling konsisten dengan nilai accuracy sebesar 0.933 dan nilai AUC tertinggi sebesar 0.975 pada subset fitur Top 10, sementara Random Forest menunjukkan kemampuan diskriminasi yang baik dengan nilai AUC hingga 0.960 pada subset Top 5. Selain itu, fitur Diastolic BP, Systolic BP, BMI Category, dan Quality of Sleep menjadi faktor paling berpengaruh dalam prediksi risiko sleep apnea. Hasil ini menunjukkan bahwa seleksi fitur mampu mempertahankan performa model sekaligus meningkatkan efisiensi dengan kompleksitas yang lebih rendah.

Identifier

• DOI: https://doi.org/10.36341/rabit.v11i2.7824
• OpenAlex: https://openalex.org/W7167926023