Implementasi Model XGBoost dengan Hyperparameter Tuning Grid Search pada Sistem Klasifikasi Gangguan Tidur Berbasis Web
Tahun 2026 · Penulis: Ummu Ni'matun Nada
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/11822
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Terjemahan mesin (opus-mt-en-id) · dipakai untuk pengindeksan
Implementasi Model XGBoost dengan Hyperparameter Tuning Grid Search pada Sistem Klasifikasi Gangguan Tidur Berbasis Web
Gangguan tidur dapat mempengaruhi kesehatan fisik, kesehatan mental, dan produktivitas individu. Tingkat penyebaran gangguan tidur yang tinggi menunjukkan perlunya deteksi dini turut mengurangi risiko terkena berbagai penyakit kronis. Akan tetapi, metode diagnosis konvensional seperti Polysomnografi (PSG) masih memiliki keterbatasan karena biaya dan waktu pemeriksaan yang tinggi. Penggunaan teknologi belajar mesin dapat dimanfaatkan untuk mendukung proses deteksi dini gangguan tidur lebih cepat dan efisien. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi gangguan tidur menggunakan algoritma Gradien Boost Extreme (XGBoost) dengan implementasi Grid Pencarian penyetelan hyperparameter dan teknik penyerapan berlebihan SMOTE untuk mengatasi ketidakseimbangan data. Penelitian ini menggunakan data sekunder dari Sleep Health and Lifestyle Dataset, terdiri dari 374 catatan dengan 13 fitur, termasuk usia, jenis kelamin, durasi tidur, kualitas tidur, tingkat aktivitas fisik, tingkat stres, tekanan darah, detak jantung, dan langkah sehari - hari. Tahap penelitian termasuk data preprosesing, fitur rekayasa, pengkodean data kategoris, pemecahan data menggunakan 70:30 dan 80:20 skenario, implementasi SMOTE, dan proses klasifikasi menggunakan algoritma XGBoost. Hasilnya menunjukkan bahwa skenario terbaik diperoleh menggunakan 80:20 data yang terbagi dengan penyetelan hyperparameter, menghasilkan parameter terbaik: colsample_bytree = 0.7, learning_rate = 0.1, max_depth = 5, min_child_weight = 1, n_estimator = 100, dan subsample = 0.8. Model ini mencapai akurasi, presisi, ingat, dan F1 skor 0,97. Hasil ini menunjukkan kombinasi XGBoost, Pencarian Grid, dan SMOTE dapat meningkatkan kinerja klasifikasi gangguan tidur secara efektif.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,841
Tahun 2025 · Penulis: Cindi Dewi Aprilia
Deteksi Kanker Paru-Paru pada Citra Chest X-Ray untuk Pasien Rumah Sakit Di Jember Menggunakan Deep Object Detection
Penelitian ini bertujuan mengembangkan sistem deteksi nodul paru sebagai indikator awal kanker paru-paru menggunakan algoritma YOLOv11 pada citra Xray. Tantangan utama dalam deteksi nodul adalah ukurannya yang kecil dan kemiripannya dengan struktur lain pada p
- Cosine 0,833
Tahun 2026 · Penulis: Restanti Mayzaluna Sakinan Dita
Prediksi Tujuan Poliklinik Berdasarkan Gejala Pasien Menggunakan Algoritma XGBoost (Studi Kasus: Rumah Sakit Daerah Kalisat)
Rumah sakit memiliki berbagai poliklinik dengan layanan yang berbeda sesuai kebutuhan pasien. Dalam praktiknya, pasien sering kali tidak mengetahui secara pasti poliklinik yang sesuai dengan keluhan yang dialami. Berdasarkan hasil observasi di Rumah Sakit Daer
- Cosine 0,833
Tahun 2026 · Penulis: Nurifatul Laily
Implementasi Klasifikasi Penyakit Liver dengan Teknik Penanganan Data Tidak Seimbang Synthetic Minority Oversampling Technique – Edited Nearest Neighbor
Penyakit liver adalah istilah umum yang memaksudkan berbagai kelainan atau kelainan yang mempengaruhi liver, termasuk penyakit liver yang berlemak, sirosis, hepatitis, kanker hati, tumor hati, dan lainnya. Karena gejala non-spesifik, penyakit hati menantang un