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

Mohamad Reyhand Fatturrahman, Aliyah Kurniasih

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. 


Keywords


Gangguan tidur, Naïve Bayes, Oversampling, Undersampling

References


Japardi. Dr. Iskandar, “Gangguan Tidur”.

J. Keperawatan and P. Kesehatan Denpasar, “Faktor Yang Menyebabkan Gangguan Tidur (Insomnia) Pada Lansia I Nengah Sumirta AA Istri Laraswati.”

P. R. Sihombing and I. F. Yuliati, “Penerapan Metode Machine Learning dalam Klasifikasi Risiko Kejadian Berat Badan Lahir Rendah di Indonesia,” MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 20, no. 2, pp. 417–426, May 2021, doi: 10.30812/matrik.v20i2.1174.

R. Diki Nugraha, “Pentingnya Algoritma Naïve Bayes Sebagai Pengklasifikasi Data,” vol. 2, no. 1, 2023.

A. Haryono, A. Rindiarti, A. Arianti, A. Pawitri, and Achmad Ushuluddin, “Prevalensi Gangguan Tidur pada Remaja Usia 12-15 Tahun di Sekolah Lanjutan Tingkat Pertama,” Sari Pediatri, vol. 11, 2009.

N. Umar and M. Adnan Nur, “Application of Naïve Bayes Algorithm Variations On Indonesian General Analysis Dataset for Sentiment Analysis,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 6, no. 4, pp. 585–590, Aug. 2022, doi: 10.29207/resti.v6i4.4179.

S. Keputusan Dirjen Penguatan Riset dan Pengembangan Ristek Dikti, A. Nikmatul Kasanah, U. Pujianto, T. Elektro, F. Teknik, and U. Negeri Malang, “Penerapan Teknik SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Objektivitas Berita Online Menggunakan Algoritma KNN,” JURNAL RESTI, vol. 3, no. 3, pp. 196–201, 2017.

A. Nurhopipah and C. Magnolia, “Perbandingan Metode Resampling Pada Imbalanced Dataset Untuk Klasifikasi Komentar Program MBKM,” JUPIKOM, vol. 1, no. 2, 2022.

C. C. Aggarwal, Data Mining. Cham: Springer International Publishing, 2015. doi: 10.1007/978-3-319-14142-8.

“What are Naïve Bayes classifiers?,” https://www.ibm.com/topics/naive-bayes.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Prosiding Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.