PERBANDINGAN RANDOM FOREST DAN SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI SLEEP APNEA

Maria Angelina Cahyani Candrakasih(1), Dwi Krisbiantoro(2*), Retno Waluyo(3)

(1) Universitas Amikom Purwokerto
(2) Universitas Amikom Purwokerto
(3) Universitas amikom purwokerto
(*) Corresponding Author

Sari


Penelitian ini bertujuan untuk menilai performa algoritma Random Forest (RF) dan Support Vector Machine (SVM) dalam mendeteksi dan mengklasifikasikan sleep apnea dengan menggunakan dataset yang mencakup berbagai parameter fisiologis dan gaya hidup. Metode yang diterapkan mencakup pengumpulan data, analisis eksploratori, dan pra-pemrosesan data, termasuk penanganan ketidakseimbangan melalui teknik SMOTE. Dataset dibagi menjadi data pelatihan dan data uji untuk melatih model, yang kemudian dievaluasi dengan berbagai metrik seperti akurasi, precision, recall, F1-score, confusion matrix, ROC curve, AUC, dan validasi silang. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan akurasi yang lebih tinggi, yaitu 0.927, dibandingkan dengan Support Vector Machine yang mencapai akurasi 0.915. Oleh karena itu, Random Forest dapat dianggap sebagai algoritma yang lebih unggul dalam klasifikasi sleep apnea berdasarkan dataset yang digunakan. Penelitian ini memberikan kontribusi pada pengembangan sistem deteksi sleep apnea berbasis machine learning yang dapat meningkatkan akurasi diagnosis penyakit tersebut. Rencana penelitian selanjutnya akan difokuskan pada pengembangan model yang lebih efisien dan penerapan teknik lain untuk mengatasi masalah dataset yang tidak seimbang.


Teks Lengkap:

PDF

Referensi


Bahagia, W., & Ayu, P. R. (2020). Sindrom Obstructive Sleep Apnea. Medical Profession Journal of Lampung, 9(4), 705–711.

Ciptaan, M. A., & Hariyati, R. T. S. (2020). Kemajuan Teknologi Dalam Menentukan Test Diagnostic Serta Monitoring Terjadinya Sleep Apnea: Studi Literatur. Carolus Journal of Nursing, 2(1), 52–62. https://doi.org/10.37480/cjon.v2i1.11

Javeed, A., Berglund, J. S., Dallora, A. L., Saleem, M. A., & Anderberg, P. (2023). Predictive Power of XGBoost_BiLSTM Model: A Machine-Learning Approach for Accurate Sleep Apnea Detection Using Electronic Health Data. International Journal of Computational Intelligence Systems, 16(1). https://doi.org/10.1007/s44196-023-00362-y

Lestiawan, H., Jatmoko, C., Agustina, F., Sinaga, D., & Erawan, L. (2023). Prediction of Sleep Disorders Based on Occupation and Lifestyle: Performance Comparison of Decision Tree, Random Forest, and Naïve Bayes Classifier. Journal of Applied Intelligent System, 8(3), 298–309. https://doi.org/10.33633/jais.v8i3.8987

Maula, R., & Bahri, S. (2024). Penerapan Algoritma K-Nearest Neighbour pada Penyakit Jantung. 13(1), 42–51. https://doi.org/10.14421/fourier.2024.131.42-51

Mencar, C., Gallo, C., Mantero, M., Tarsia, P., Carpagnano, G. E., Foschino Barbaro, M. P., & Lacedonia, D. (2020). Application of machine learning to predict obstructive sleep apnea syndrome severity. Health Informatics Journal, 26(1), 298–317. https://doi.org/10.1177/1460458218824725

Muza, R. T. (2015). Central sleep apnoea - A clinical review. Journal of Thoracic Disease, 7(5), 930–937. https://doi.org/10.3978/j.issn.2072-1439.2015.04.45

Naomi Nessyana Debataraja, R. D. P. S. W. R. (2020). Penerapan Synthetic Minority Oversampling Technique Dalam Mengatasi Data Tidak Seimbang Pada Metode Classification and Regression Tree. Bimaster : Buletin Ilmiah Matematika, Statistika Dan Terapannya, 9(1), 231–238. https://doi.org/10.26418/bbimst.v9i1.38949

Palotti, J., Mall, R., Aupetit, M., Rueschman, M., Singh, M., Sathyanarayana, A., Taheri, S., & Fernandez-Luque, L. (2019). Benchmark on a large cohort for sleep-wake classification with machine learning techniques. Npj Digital Medicine, 2(1), 1–9. https://doi.org/10.1038/s41746-019-0126-9

Peppard, P. E., Young, T., Barnet, J. H., Palta, M., Hagen, E. W., & Hla, K. M. (2013). Increased prevalence of sleep-disordered breathing in adults. American Journal of Epidemiology, 177(9), 1006–1014. https://doi.org/10.1093/aje/kws342

Radha, M., Fonseca, P., Moreau, A., Ross, M., Cerny, A., Anderer, P., Long, X., & Aarts, R. M. (2021a). A deep transfer learning approach for wearable sleep stage classification with photoplethysmography. Npj Digital Medicine, 4(1), 1–11. https://doi.org/10.1038/s41746-021-00510-8

Radha, M., Fonseca, P., Moreau, A., Ross, M., Cerny, A., Anderer, P., Long, X., & Aarts, R. M. (2021b). A deep transfer learning approach for wearable sleep stage classification with photoplethysmography. Npj Digital Medicine, 4(1), 135. https://doi.org/10.1038/s41746-021-00510-8

Wang, H., Xu, W., Zhao, A., Sun, D., Li, Y., & Han, D. (2023). Clinical Characteristics Combined with Craniofacial Photographic Analysis in Children with Obstructive Sleep Apnea. Nature and Science of Sleep, 15(February), 115–125. https://doi.org/10.2147/NSS.S400745




DOI: http://dx.doi.org/10.31602/tji.v16i2.18555

Refbacks

  • Saat ini tidak ada refbacks.


© 2025 Technologia   p-ISSN: 2086-6917    e-ISSN: 2656-8047

-------------------------------------------------------------------------------------------

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