Klasifikasi Gangguan Tidur Menggunakan Stacking Ensemble Berbasis Random Forest dan XGBoost

Naufal Andrasito, Fikri (2026) Klasifikasi Gangguan Tidur Menggunakan Stacking Ensemble Berbasis Random Forest dan XGBoost. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (215kB)
	PDF BAB_II.pdf Download (350kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (666kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (239kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (221kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000079229_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Gangguan tidur merupakan permasalahan kesehatan yang signifikan, dengan prevalensi insomnia mencapai 16,2% pada populasi dewasa global dan sleep apnea ditemukan pada 9­24% pria dewasa. Meskipun berbagai penelitian telah menerapkan machine learning untuk klasifikasi gangguan tidur, sebagian besar masih menggunakan model secara individual tanpa evaluasi komparatif yang terstruktur antara paradigma ensemble yang berbeda. Penelitian ini mengimplementasikan dan membandingkan Random Forest (paradigma bagging) dan XGBoost (paradigma boosting) sebagai model tunggal, serta menguji pendekatan stacking ensemble yang menggabungkan keduanya dengan Logistic Regression sebagai meta-learner untuk klasifikasi tiga kelas gangguan tidur: No Disorder, Sleep Apnea, dan Insomnia. Dataset gabungan dari HuggingFace dan Kaggle menghasilkan 508 sampel dengan pembagian 80:20. Preprocessing mencakup penanganan missing values, deteksi outlier, feature engineering fisiologis, serta seleksi fitur menggunakan kombinasi Mutual Information dan Random Forest Feature Importance yang menghasilkan tujuh fitur optimal. Penanganan ketidakseimbangan kelas dilakukan menggunakan SMOTE di dalam ImbPipeline pada setiap fold validasi silang. Melalui tiga skenario eksperimen yang dikembangkan secara iteratif, konfigurasi final Skenario 3 menunjukkan bahwa stacking ensemble menghasilkan performa tertinggi dengan Test F1-Score 0.7179 dan ROC-AUC 0.8941 pada data uji, melampaui Random Forest (F1=0.7171, AUC=0.8743) dan XGBoost (F1=0.7150, AUC=0.8831). Gap CV-test yang sangat kecil sebesar 0.0044 mengkonfirmasi kemampuan generalisasi model yang baik terhadap data baru.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Naufal Andrasito, Fikri (00000079229)
Contributors:	Endariahna Surbakti, Eunike
Keywords:	Ensemble Learning, Gangguan Tidur, Random Forest, Stacking Ensemble, XGBoost
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	24 Jul 2026 08:06
URI:	https://kc.umn.ac.id/id/eprint/48046

Actions (login required)

View Item