ANALISIS GANGGUAN TIDUR BERDASARKAN GAYA HIDUP MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR

Setyaningsih, Farah (2025) ANALISIS GANGGUAN TIDUR BERDASARKAN GAYA HIDUP MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR. Other thesis, Universitas Amikom Purwokerto.

[thumbnail of COVER.pdf] Text
COVER.pdf

Download (653kB)
[thumbnail of DAFTAR ISI.pdf] Text
DAFTAR ISI.pdf

Download (424kB)
[thumbnail of ABSTRAK.pdf] Text
ABSTRAK.pdf

Download (470kB)
[thumbnail of BAB I.pdf] Image
BAB I.pdf
Restricted to Registered users only

Download (431kB)
[thumbnail of BAB II.pdf] Image
BAB II.pdf
Restricted to Registered users only

Download (642kB)
[thumbnail of BAB III.pdf] Image
BAB III.pdf
Restricted to Registered users only

Download (548kB)
[thumbnail of BAB IV.pdf] Image
BAB IV.pdf
Restricted to Registered users only

Download (1MB)
[thumbnail of BAB V.pdf] Image
BAB V.pdf
Restricted to Registered users only

Download (475kB)
[thumbnail of DAFTAR PUSTAKA.pdf] Image
DAFTAR PUSTAKA.pdf
Restricted to Registered users only

Download (548kB)
[thumbnail of LAMPIRAN.pdf] Text
LAMPIRAN.pdf
Restricted to Repository staff only

Download (885kB)

Abstract

Gaya hidup yang tidak sehat, seperti durasi tidur yang kurang, aktivitas fisik rendah, dan kualitas tidur yang buruk, dapat menyebabkan gangguan tisur, seperti insomnia dan sleep apnea. Penelitian ini bertujuan untuk menerapkan algoritma K-Nearest Neighbor (K-NN) pada gangguan tidur berdasarkan faktor gaya hidup setiap individu. Dataset yang digunakan melibatkan 374 individu berusia 27-59 tahun, mencakup atribut seperti durasi tidur, kualitas tdur, tingkat aktivitas fisik, dan lainnya, data didapatkan dari Kaggle. Penelitian ini melibatkan proses pre-processing data, normalisasi, pembagian dataset menjadi data training dan testing, serta pengoptimalkan model K-NN dengan parameter K=5. Hasil menunjukan bahwa model mampu memprediksi gangguan tidur dengan akurasi 86,67% pada data testing. Faktor gaya hidup yang paling signifikan dalam mempengaruhi gangguan tidur yaitu daily steps karena memiliki nilai p-value terendah (2.3110532909145656e−68), α < 0.05. Namun demikian variabel lainnya juga memiliki keterkaitan atau hubungan dengan ganguan tidur. Penelitian ini menyimpulkan bahwa algoritma K-NN efektif digunakan untuk menganalisis dan memprediksi risiko gangguan tidur berdasarkan gaya hidup. Temuan ini dapat dimanfaatkan untuk memberikan rekomendasi peningkatan kualitas tidur melalui pengembangan aplikasi berbasis data mining.
Item Type: Thesis (Other)
Additional Information: Dosen Pembimbing : Nurfaizah, M.Kom., dan Trias Brata Kusuma, S.E., M.MSI.
Uncontrolled Keywords: Kata kunci: data mining, K-NN, gangguan tidur, gaya hidup.
Subjects: T Technology > T Technology (General)
Divisions: Fakultas Ilmu Komputer > Sistem Informasi
Depositing User: UPT Perpustakaan Pusat Universitas Amikom Purwokerto
Date Deposited: 22 Mar 2025 03:43
Last Modified: 22 Mar 2025 03:43
URI: https://eprints.amikompurwokerto.ac.id/id/eprint/2621

Actions (login required)

View Item
View Item