Optimasi dan Evaluasi Komparatif Algoritma Klasifikasi untuk Prediksi Risiko Gangguan Tidur Berbasis Data Gaya Hidup

Abstract

 Evaluasi komparatif algoritma machine learning pada
data kesehatan tabular sering berfokus pada satu metrik performa
tanpa prosedur yang konsisten, sehingga hasil perbandingan
berpotensi kurang valid. Penelitian ini menyusun dan menerapkan
kerangka evaluasi komparatif untuk menguji performa tiga
algoritma klasifikasi tunggal, yaitu Logistic Regression, Random
Forest, dan Gradient Boosting, dalam memprediksi risiko gangguan
tidur (Healthy, Insomnia, Sleep Apnea) menggunakan Sleep Health
and Lifestyle Dataset. Kerangka evaluasi mencakup audit data yang
mengeliminasi 67,65% observasi duplikat, pipeline pra-pemrosesan
yang identik, serta optimasi hyperparameter melalui Grid Search
dengan Stratified 5-Fold Cross-Validation. Random Forest (Tuned
) memberikan performa keseluruhan terbaik (Accuracy 91,56%;
Macro F1-Score 0,9100), sedangkan Gradient Boosting memperoleh
Macro ROC-AUC tertinggi (0,9815); Logistic Regression tidak
memenuhi ambang akurasi minimum yang ditetapkan (84,14%).
Temuan ini menunjukkan bahwa kualitas evaluasi komparatif pada
data kesehatan tabular tidak hanya ditentukan oleh pemilihan
algoritma, tetapi juga oleh konsistensi prosedur evaluasi yang
digunakan.

Kata kunci: Evaluasi Komparatif, Klasifikasi Gangguan Tidur,
Optimasi Hyperparameter, Data Kesehatan Tabular, Machine Learning