Klasifikasi Gangguan Tidur Menggunakan Algoritma XGBoost dengan SMOTE dan Grid Search
DOI:
https://doi.org/10.30595/sainteks.v23i1.30171Keywords:
Klasifikasi, Gangguan Tidur, XGBoost, SMOTE, Grid SearchAbstract
Gangguan tidur merupakan permasalahan kesehatan yang memiliki prevalensi tinggi dan berdampak signifikan terhadap kualitas hidup, sehingga diperlukan sistem deteksi dini yang akurat dan efisien. Perkembangan machine learning membuka peluang untuk membangun model klasifikasi gangguan tidur berbasis data, namun ketidakseimbangan kelas pada dataset medis sering menjadi tantangan yang menurunkan performa model, khususnya pada kelas minoritas. Penelitian ini bertujuan membangun model klasifikasi gangguan tidur menggunakan algoritma Extreme Gradient Boosting (XGBoost) dengan penerapan Synthetic Minority Oversampling Technique (SMOTE) dan optimasi hiperparameter menggunakan Grid Search. Dataset yang digunakan adalah Sleep Health and Lifestyle Dataset yang terdiri dari 374 data dengan tiga kelas target, yaitu Insomnia, No Disorder, dan Sleep Apnea. Penelitian ini menguji empat skenario model, yaitu XGBoost tanpa SMOTE dan Grid Search, XGBoost dengan SMOTE, XGBoost dengan Grid Search, serta kombinasi SMOTE dan Grid Search. Evaluasi kinerja model dilakukan menggunakan metrik accuracy, precision, recall, F1-score, Confusion Matrix, serta ROC Curve. Hasil penelitian menunjukkan bahwa penerapan SMOTE meningkatkan sensitivitas model terhadap kelas minoritas, sedangkan optimasi hiperparameter menggunakan Grid Search meningkatkan stabilitas dan akurasi model secara keseluruhan. Kombinasi SMOTE dan Grid Search menghasilkan performa terbaik dengan akurasi mencapai 97% serta nilai precision, recall, dan F1-score yang seimbang pada seluruh kelas. Selain itu, evaluasi menggunakan ROC Curve menunjukkan nilai AUC pada rentang 0,99 hingga 1,00, yang mengindikasikan kemampuan model yang sangat baik dalam membedakan setiap kelas. Hasil ini menunjukkan bahwa pendekatan yang diusulkan mampu meningkatkan performa klasifikasi gangguan tidur dan berpotensi menjadi alternatif dalam pengembangan sistem deteksi dini gangguan tidur.
References
Afrisia, S.P., Hana, F.M. and Wahyudin, W.C. (2024) ‘Implementasi Metode Long Short Term Memory (LSTM) pada Chatbot Kesehatan Mental Mahasiswa’, Sainteks, 21(2), p. 107. Available at: https://doi.org/10.30595/sainteks.v21i2.23869.
Anshory, M.N. et al. (2025) ‘Application of Adaboost Algorithm with SMOTE and Optuna Techniques in Sleep Disorder Classification’, Indonesian Journal of Electronics, Electromedical Engineering, and Medical Informatics, 7(2), pp. 415–426. Available at: https://doi.org/10.35882/ijeeemi.v7i2.99.
Benjafield, A. V. et al. (2025) ‘Estimation of the global prevalence and burden of insomnia: a systematic literature review-based analysis’, Sleep Medicine Reviews, 82. Available at: https://doi.org/10.1016/j.smrv.2025.102121.
Bili, B.E., Febriani, H. and Sunaryo (2025) ‘Insomnia Pada Mahasiswa Stikes Wira Husada Yogyakarta’, Jurnal Kesehatan Masyarakat, 18, pp. 11–20. Available at: https://doi.org/10.47317/jkm.v18i1.738.
Cartus, A.R. et al. (2023) ‘Outcome class imbalance and rare events: An underappreciated complication for overdose risk prediction modeling’, Addiction, 118(6), pp. 1167–1176. Available at: https://doi.org/10.1111/add.16133.
Han, Y., Wei, Z. and Huang, G. (2024) ‘An imbalance data quality monitoring based on SMOTE-XGBOOST supported by edge computing’, Scientific Reports, 14(1), pp. 1–13. Available at: https://doi.org/10.1038/s41598-024-60600-x.
Haq, O.M., Ridwan, A. and Pratama, T.G. (2025) ‘Analisis Perbandingan Kinerja Algoritma Naïve Bayes Dan KNN Untuk Memprediksi Penyakit Diabetes’, Progresif: Jurnal Ilmiah Komputer, 21(1), p. 193. Available at: https://doi.org/10.35889/progresif.v21i1.2424.
Khan, M.A. and Al-Jahdali, H. (2023) ‘The consequences of sleep deprivation on cognitive performance’, Neurosciences, 28(2), pp. 91–99. Available at: https://doi.org/10.17712/nsj.2023.2.20220108.
Mawardi, A.B., Pradini, R.S. and Haris, M.S. (2025) ‘Komparasi Algoritma Boosting untuk Prediksi Gangguan Tidur’, 13(3). Available at: https://doi.org/10.23960/jitet.v13i3.7281.
Palombini, L.D.O. et al. (2024) ‘2024 Position Statement on the Use of Different Diagnostic Methods for Sleep Disorders in Adults - Brazilian Sleep Association’, Sleep Science, 17(4), pp. e476–e492. Available at: https://doi.org/10.1055/s-0044-1800887.
Pratama, T.G. et al. (2026) ‘Deteksi Kesehatan Mental Mahasiswa Muslim dengan Pendekatan Pendidikan Islam menggunakan Machine Learning’, 15, pp. 144–156. Available at: https://doi.org/10.32520/stmsi.v15i1.5732.
Siagian, N.A. et al. (2025) ‘Integrating SMOTE with XGBoost for Robust Classification on Imbalanced Datasets: A Dual-Domain Evaluation’, Sinkron, 9(3), pp. 1094–1107. Available at: https://doi.org/10.33395/sinkron.v9i3.15029.
Sugihartono, T. et al. (2025) ‘Optimalisasi Kinerja Extreme Gradient Boosting melalui Grid Search untuk Prediksi Risiko Penyakit Jantung’, 5(10), pp. 3074–3084. Available at: https://doi.org/: https://doi.org/10.52436/1.jpti.1346.
Syukron, M., Santoso, R. and Widiharih, T. (2020) ‘Perbandingan Metode SMOTE Random Forest dan SMOTE XGBoost untuk Klasifikasi Tingkat Penyakit Hepatitis C pada Imbalance Class Data’, 9, pp. 227–236. Available at: https://doi.org/10.14710/j.gauss.9.3.227-236.
Tyas, L.W. (2022) ‘Hubungan Depresi, Kecemasan dan Stres dengan Kejadian Insomnia pada Remaja Sekolah Menengah Atas Kota Surabaya’, Preventif : Jurnal Kesehatan Masyarakat, 13(3), pp. 540–547. Available at: https://doi.org/10.22487/preventif.v13i3.405.
Wahyudin, W.C., Hana, F.M. and Prihandono, A. (2023) ‘Prediksi Stunting pada Balita Di Rumah Sakit Kota Semarang Menggunakan Naive Bayes’, 2019, pp. 32–36. Available at: https://doi.org/10.26751/jikoma.v4i1.1792.g1066.
Wulansih, N.C. et al. (2024) ‘Literature Review: The Impact of Poor Sleep Duration and Quality on Health in Productive Age’, Jurnal Kesehatan Poltekkes Kemenkes Ri Pangkalpinang., 12(1), pp. 71–82. Available at: https://doi.org/10.32922/jkp.v12i1.932.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Moh. Indra Kholid Khoirusshofi, Fida Maisa Hana, Taftazani Ghazi Pratama
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access)
Sainteks is licensed under a Creative Commons Attribution 4.0 International License.
