OPTIMASI PARAMETER K-NEAREST NEIGHBOR DAN NAIVE BAYES UNTUK KLASIFIKASI GANGGUAN TIDUR BERDASARKAN FAKTOR KESEHATAN

Abstract

Gangguan tidur merupakan permasalahan kesehatan global yang berdampak signifikan terhadap kesehatan fisik, mental, dan produktivitas manusia. Deteksi dini dan klasifikasi gangguan tidur dapat ditingkatkan melalui penerapan teknologi machine learning yang mampu mengenali pola kompleks dalam data kesehatan, dengan performa model yang sangat bergantung pada pemilihan dan optimasi parameter. Penelitian ini bertujuan untuk mengoptimalkan parameter algoritma K-Nearest Neighbor (KNN) dan Naive Bayes menggunakan teknik Grid Search untuk meningkatkan akurasi klasifikasi gangguan tidur berdasarkan faktor kesehatan. Metode penelitian bersifat kuantitatif dengan pendekatan eksperimental komparatif menggunakan Sleep Health and Lifestyle Dataset dari Kaggle, yang berisi data individu dengan variabel seperti durasi tidur, tingkat stres, aktivitas fisik, dan tekanan darah. Tahapan penelitian meliputi data cleaning, normalisasi, encoding, pembagian data, pelatihan model awal, serta optimasi parameter menggunakan Grid Search dengan k-Fold Cross Validation. Evaluasi kinerja dilakukan berdasarkan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa optimasi parameter berhasil meningkatkan performa kedua algoritma, di mana model Naive Bayes dengan parameter terbaik (var_smoothing = 0.4977) mencapai akurasi tertinggi sebesar 0,825, sedangkan KNN stabil pada akurasi 0,80 dengan parameter optimal (n_neighbors = 7, metric = manhattan, weights = uniform). Dengan demikian, Naive Bayes hasil optimasi menjadi model terbaik karena menunjukkan keseimbangan antara akurasi, efisiensi komputasi, dan stabilitas hasil klasifikasi antar kelas. Penelitian ini membuktikan bahwa penerapan hyperparameter tuning efektif meningkatkan kinerja model dan berpotensi dikembangkan menjadi sistem prediksi gangguan tidur berbasis data kesehatan yang efisien dan akurat.