Perbandingan Kinerja Algoritma Machine Learning Logistic Regression dan XGBoost dalam Memprediksi Gangguan Tidur dengan Analisis SHAP

Abstrak Gangguan tidur merupakan masalah kesehatan masyarakat yang berdampak pada produktivitas, kesehatan fisik, dan kesejahteraan mental. Penelitian ini bertujuan untuk memprediksi faktor-faktor yang memengaruhi gangguan tidur dengan membandingkan kinerja algoritma Logistic Regression dan Extreme Gradient Boosting (XGBoost). Data diperoleh dari survei National Sleep Foundation (NSF) dan melalui tahap pra-pemrosesan sebelum digunakan untuk pemodelan. Evaluasi dilakukan menggunakan metrik akurasi, presisi, Recall, dan F1-score, serta interpretabilitas model ditingkatkan dengan metode SHAP (SHAPley Additive exPlanations). Hasil penelitian menunjukkan bahwa XGBoost unggul dengan akurasi, presisi, Recall, dan F1-score sebesar 100%, sedangkan Logistic Regression hanya mencapai 70%. Analisis SHAP mengungkapkan bahwa pola tidur (±1,9), usia (±1,5), konsumsi kafein (±1,3), dan aktivitas fisik (±1,25) merupakan faktor dominan, sementara kondisi kesehatan umum berpengaruh sedang (±1,1), dan jenis kelamin (±0,15) serta kesehatan subjektif (±0,05) berkontribusi minimal. Temuan ini menegaskan bahwa gaya hidup dan kebiasaan harian menjadi penentu utama kualitas tidur. Ke depan, penelitian dapat diperluas dengan dataset yang lebih besar dan integrasi data fisiologis real-time dari wearable device untuk menghasilkan sistem prediksi yang lebih generalis dan aplikatif dalam memberikan rekomendasi personal terkait pola tidur sehat.