Penggunaan Metode NearMiss, SMOTE, dan Naïve Bayes untuk Klasifikasi Gangguan Tidur Berdasarkan Kualitas Tidur dan Gaya Hidup

Abstract

Gangguan tidur merupakan permasalahan kesehatan yang melanda banyak individu global dan berpotensi memberikan dampak negatif terhadap kualitas hidup mereka. Dalam upaya mengidentifikasi jenis gangguan tidur yang dialami serta meramalkan jenis gangguan tidur yang belum teridentifikasi pada subjek pengamatan, penelitian ini mengadopsi metode klasifikasi Naïve Bayes. Pemilihan metode Naïve Bayes dipandang sesuai karena kemampuannya dalam melakukan pengklasifikasian dengan efisiensi tinggi. Keberhasilan penerapan Naïve Bayes terlihat dari berbagai aplikasi dunia nyata, seperti dalam klasifikasi dokumen dan deteksi spam. Penelitian ini juga menggunakan pendekatan data mining dan metode pembelajaran mesin untuk mengurai pola serta relasi antara kualitas tidur, gaya hidup, dan jenis gangguan tidur pada individu. Dengan algoritma Naïve Bayes sebagai landasannya, penelitian ini bertujuan menghasilkan hasil klasifikasi yang mendalam, memberikan pemahaman terkait gangguan tidur beserta faktor-faktor yang mempengaruhinya. Studi ini menerapkan metode klasifikasi dengan model Naïve Bayes Bernoulli, dengan akurasi sebelum dan sesudah penerapan oversampling serta undersampling berturut-turut mencapai 76% dan 79%. Hasil serupa juga dihasilkan dari metode Naïve Bayes Complement sebelum penerapan teknik yang sama, yaitu 79%. Meskipun oversampling berhasil meningkatkan akurasi model Naïve Bayes Bernoulli sebesar 7%, namun terdapat penurunan sebesar 8% dalam akurasi setelah melakukan undersampling jika dibandingkan dengan metode Naïve Bayes Complement.