Deteksi Gangguan Tidur Menggunakan Support Vector Machine pada Aplikasi Web Streamlit

Satria Dava Riansa; Aria Hendrawan

doi:10.33633/joins.v11i1.16125

Penulis

Satria Dava Riansa Universitas Semarang
Aria Hendrawan Universitas Semarang

DOI:

https://doi.org/10.33633/joins.v11i1.16125

Kata Kunci:

Gangguan Tidur, Support Vector Machine, Klasifikasi, Machine Learning, Streamlit

Abstrak

Gangguan tidur menjadi salah satu permasalahan kesehatan yang dapat berdampak pada kondisi fisik, mental, dan produktivitas individu. Kondisi ini dapat dipengaruhi oleh faktor gaya hidup maupun fisiologis, seperti durasi tidur, kualitas tidur, tingkat stres, aktivitas fisik, detak jantung, dan tekanan darah. Penelitian ini bertujuan untuk menerapkan metode Support Vector Machine (SVM) dalam mengklasifikasikan gangguan tidur ke dalam tiga kategori, yaitu normal, insomnia, dan sleep apnea, serta membangun aplikasi web berbasis Streamlit untuk mendukung proses prediksi secara interaktif. Dataset yang digunakan adalah Sleep Health and Lifestyle yang diperoleh dari Kaggle. Tahapan penelitian mencakup pra-pemrosesan data, normalisasi menggunakan StandardScaler, pelatihan model SVM dan lima algoritma pembanding, serta hyperparameter tuning untuk memperoleh performa terbaik. Hasil pengujian menunjukkan bahwa model SVM dengan kernel poly menghasilkan akurasi sebesar 97,33% dan F1-score makro sebesar 0,9569. Model terbaik kemudian diimplementasikan ke dalam aplikasi web yang mampu menampilkan hasil klasifikasi beserta probabilitas tiap kelas, sehingga dapat dimanfaatkan sebagai media skrining awal gangguan tidur yang mudah digunakan.

Referensi

D. M. Siregar and C. A. Rengkuan, “Analisis Faktor-Faktor yang Berperan dalam Kualitas Tidur pada Mahasiswa Tingkat Akhir,” OBAT: Jurnal Riset Ilmu Farmasi dan Kesehatan, vol. 3, no. 1, pp. 01–14, 2025, doi: 10.61132/obat.v3i1.893.

D. S. M. Jannah and H. G. Hidajat, “Analisis Faktor Penyebab dari Gangguan Tidur: Kajian Psikologi Lintas Budaya,” Psyche 165 Journal, pp. 164–171, Jul. 2024, doi: 10.35134/jpsy165.v17i3.372.

N. Nuraeni and M. Faisal, “Classification of Sleep Disorders using Support Vector Machine,” Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control, Feb. 2025, doi: 10.22219/kinetik.v10i1.2054.

D. A. P. D. I. Pradhani, M. O. A. Kamayani, I. K. Saputra, and M. V. Manangkot, “Hubungan Resiliensi dengan Kualitas Tidur Pasien di Ruang Rawat Inap RSUD Wangaya Kota Denpasar,” Community of Publishing in Nursing, vol. 13, no. 2, pp. 145–152, Apr. 2025, doi: 10.24843/coping.2025.v13.i02.p04.

H. Mufidah, M. A. Maulana, Y. Pramana, G. N. Rahmah, and M. Mita, “Stres Akademik Sebagai Determinan Kualitas Tidur Remaja di Madrasah Aliyah,” Jurnal Penelitian Kesehatan “SUARA FORIKES” (Journal of Health Research “Forikes Voice”), vol. 15, no. 4, pp. 695–698, Nov. 2024, doi: 10.33846/sf15425.

R. J. Utami, R. Indarwati, and R. Pradanie, “Analisa Faktor Yang Mempengaruhi Kualitas Tidur Lansia Di Panti,” Jurnal Health Sains, vol. 2, no. 3, pp. 362–380, Mar. 2021, doi: 10.46799/jhs.v2i3.135.

S. Muntomimah and S. Mubarok, “Analisis Faktor-Faktor yang Mempengaruhi Kualitas Tidur pada Remaja berskala Biner,” Efektor, vol. 12, no. 1, pp. 63–74, Apr. 2025, doi: 10.29407/e.v12i1.24850.

D. Fitriyani, M. Amelia, and S. S. Yuliana, “Penerapan Algoritma Random Forest Untuk Klasifikasi Gangguan Tidur Berdasarkan Pola Kehidupan Sehari-hari,” Jurnal Aplikasi Informatika dan Multimedia, vol. 1, no. 1, pp. 21–26, Jul. 2025, doi: 10.64878/japtika.v1i1.82.

R. G. Wardhana, G. Wang, and F. Sibuea, “Penerapan Machine Learning dalam Prediksi Tingkat Kasus Penyakit di Indonesia,” Journal of Information System Management (JOISM), vol. 5, no. 1, pp. 40–45, Jul. 2023, doi: 10.24076/joism.2023v5i1.1136.

I. Akbar, F. Supriadi, and D. I. Junaedi, “Pemanfaatan Machine Learning di Bidang Kesehatan,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 1, pp. 1744–1749, Dec. 2024, doi: 10.36040/jati.v9i1.12663.

H. S. W. Hovi, A. I. Hadiana, and F. R. Umbara, “Prediksi Penyakit Diabetes Menggunakan Algoritma Support Vector Machine (SVM),” Informatics and Digital Expert (INDEX), vol. 4, no. 1, pp. 40–45, 2022, doi: 10.36423/index.v4i1.895.

F. Abdusyukur, “Penerapan Algoritma Support Vector Machine (SVM) untuk Klasifikasi Pencemaran Nama Baik di Media Sosial Twitter,” KOMPUTA, vol. 12, no. 1, pp. 73–82, May 2023, doi: 10.34010/komputa.v12i1.9418.

R. Nugraha et al., “Pengembangan Website Klasifikasi Kualitas Tidur dan Rekomendasi Penanganan Menggunakan Logistic Regression,” RISTEK : Jurnal Riset, Inovasi dan Teknologi Kabupaten Batang, vol. 9, no. 2, pp. 30–36, Jun. 2025, doi: 10.55686/ristek.v9i2.204.

F. Andriani, N. Rahmania, and N. Alfiana, “Identifikasi Gangguan Tidur Menggunakan Klasifikasi Berbasis Decision Tree,” 1, vol. 2, no. 2, pp. 85–93, Aug. 2025, doi: 10.34304/scientific.v2i2.394.

T. K. Amarya, R. Firliana, and A. Ristyawan, “Aplikasi Deteksi Dini Penyakit Stroke Menggunakan Streamlit,” Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi), vol. 9, no. 1, pp. 453–462, Jul. 2025, doi: 10.29407/xgvr9h34.

L. Tharmalingam, “Sleep Health and Lifestyle Dataset,” Kaggle. Accessed: Oct. 11, 2025. [Online]. Available: https://www.kaggle.com/datasets/uom190346a/sleep-health-and-lifestyle-dataset

M. Darip, A. Sapaatullah, and R. Rahmat, “Implementasi Support Vector Machine (SVM) Untuk Deteksi Serangan Jaringan Pada Sistem Keamanan Jaringan Kampus:,” Bulletin of Information Technology (BIT), vol. 7, no. 1, pp. 40–49, Mar. 2026, doi: 10.47065/bit.v7i1.2602.

Z. M. E. Darmawan and A. F. Dianta, “Implementasi Optimasi Hyperparameter GridSearchCV Pada Sistem Prediksi Serangan Jantung Menggunakan SVM,” Teknologi: Jurnal Ilmiah Sistem Informasi, vol. 13, no. 1, pp. 8–15, Jan. 2023, doi: 10.26594/teknologi.v13i1.3098.