Prediksi Efisiensi Tidur dari Data Perangkat Pemantau Kesehatan dengan Perbandingan Model Deep Learning

Prajna Susanto, Henry (2026) Prediksi Efisiensi Tidur dari Data Perangkat Pemantau Kesehatan dengan Perbandingan Model Deep Learning. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (489kB)
	PDF BAB_I.pdf Download (258kB)
	PDF BAB_II.pdf Download (441kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (280kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (229kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (230kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (623kB)
	Archive (ZIP) 00000066805_2521_LembarPengesahan.pdf Restricted to Registered users only Download (64kB)

Abstract

Tidur merupakan salah satu aspek penting dalam menjaga kondisi fisiologis dan psikologis manusia. Salah satu indikator yang dapat digunakan untuk mengukur kualitas tidur secara kuantitatif adalah sleep efficiency. Penelitian ini bertujuan untuk memprediksi nilai sleep efficiency menggunakan data wearable berbasis time series dengan pendekatan Deep Learning. Dataset yang digunakan berasal dari Kaggle, yaitu Health + Wearables + Stress/Sleep Tracking, yang berisi data kesehatan harian pengguna wearable. Tahapan penelitian mengikuti alur CRISP-DM, mulai dari business understanding, data understanding, data preparation, modeling, hingga evaluation. Data diproses melalui pembersihan data, feature engineering, pembentukan fitur lag dan rolling average, serta pembentukan sequence menggunakan sliding window sepanjang 14 hari. Model yang dibandingkan adalah LSTM, CNN- BiLSTM, dan CNN-BiLSTM dengan Attention. Hasil penelitian menunjukkan bahwa LSTM menjadi model dengan performa terbaik dibandingkan model lainnya, dengan nilai MSE sebesar 0,001991, RMSE sebesar 0,044621, MAE sebesar 0,034170, dan R² sebesar 0,747177. Interpretasi menggunakan SHAP menunjukkan bahwa aktivitas harian, perilaku konsumsi, stres historis, dan kondisi fisiologis berkontribusi terhadap hasil prediksi. Dengan demikian, data wearable berbasis time series dapat digunakan untuk memprediksi sleep efficiency, serta SHAP dapat membantu menjelaskan kontribusi fitur terhadap hasil prediksi model.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Prajna Susanto, Henry (00000066805)
Contributors:	Wella, Wella
Keywords:	Attention, CNN-BiLSTM, LSTM, SHAP, Sleep efficiency
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	09 Jul 2026 07:58
URI:	https://kc.umn.ac.id/id/eprint/47276

Actions (login required)

View Item