Benchmarking XGBoost dan Random Forest untuk Prediksi Tingkat Stres dari Parameter Fisiologis Tidur: Benchmarking XGBoost and Random Forest for Stress Level Prediction Based on Sleep Physiological Parameters

Stanley Alexsander Tamboto; Safitri Jaya

doi:10.57152/malcom.v6i3.2783

Authors

Stanley Alexsander Tamboto Universitas Pembangunan Jaya
Safitri Jaya Universitas Pembangunan Jaya

DOI:

https://doi.org/10.57152/malcom.v6i3.2783

Keywords:

Machine Learning, Parameter Fisiologis Tidur, Random Forest, Tingkat Stres, XGBoost

Abstract

Stres adalah salah satu gangguan kesehatan mental yang semakin meningkat di masyarakat. Kondisi fisiologis saat tidur dapat menjadi indikator tingkat stres. Penelitian ini bertujuan untuk membandingkan kinerja metode XGBoost dan Random Forest dalam memprediksi tingkat stres yang diklasifikasikan ke dalam lima kategori, yaitu normal, ringan, sedang, tinggi, dan sangat tinggi. Data yang digunakan berupa data numerik dengan delapan fitur fisiologis, meliputi snoring rate, respiration rate, body temperature, limb movement, blood oxygen, rapid eye movement, sleeping hours, dan heart rate. Metodologi penelitian mencakup preprocessing data melalui normalisasi dan pembagian data, serta evaluasi kinerja model menggunakan metrik accuracy, precision, recall, F1-score, serta confusion matrix. Penelitian ini juga melakukan analisis korelasi pada setiap fitur untuk mengetahui hubungan antara parameter fisiologis dan tingkat stres. Hasil penelitian menunjukkan bahwa kedua model menghasilkan akurasi sebesar 98%, namun Random Forest memiliki kinerja yang lebih stabil berdasarkan cross-validation dengan nilai rata-rata 99,2% dibandingkan dengan XGBoost sebesar 98,7%. Analisis feature importance menunjukkan bahwa snoring rate merupakan fitur paling dominan, serta terdapat korelasi positif dan negatif antarparameter terhadap tingkat stres. Penelitian ini menyimpulkan bahwa Random Forest lebih unggul dalam hal stabilitas model dan berpotensi digunakan untuk memprediksi tingkat stres berbasis data fisiologis tidur.

Downloads

Download data is not yet available.

References

World Health Organization, “Mental health,” WHO. [Daring]. Tersedia: https://www.who.int/data/gho/data/themes/theme-details/GHO/mental-health. [Diakses: 10 Maret 2026].

I. N. Amalia, J. Budhiana, dan W. Sanjaya, “Hubungan Stres Dengan Gangguan Siklus Menstruasi Pada Remaja Putri,” Jurnal Wacana Kesehatan, vol. 8, no. 2, hlm. 75, 2023, doi: 10.52822/jwk.v8i2.526.

S. S. A. Larasati, E. N. K. Dewi, B. H. Farhansyah, F. A. Bachtiar, dan F. Pradana, “Penerapan Decision Tree dan Random Forest dalam Deteksi Tingkat Stres Manusia Berdasarkan Kondisi Tidur,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 11, no. 5, hlm. 1043–1050, 2024, doi: 10.25126/jtiik.2024117993.

C. Nursadrina, K. Rahmayanti, M. Sofia, dan S. Asyura, “Pengaruh Stres Terhadap Kesehatan Mental Dan Fisik: Tinjauan Psikologi Klinis,” Journal of Healthcare Technology and Medicine, vol. 11, no. 1, hlm. 701-705, 2025, doi: 10.33143/jhtm.v11i1.5288.

Gallup, “State of the World’s Emotional Health Report,” Gallup, 2025. [Daring]. Tersedia: https://www.gallup.com/analytics/349280/state-of-worlds-emotional-health.aspx. [Diakses: 13 Maret 2026].

R. T. Yusan dan S. H. Fadlilah, “Tinjauan Tidur Dan Kurang Tidur,” Medical and Health Journal, vol. 2, no. 1, hlm. 27-48, 2022, doi: 10.20884/1.mhj.2023.2.1.7820.

N. A. Salikunna, W. Didik Astiawan, F. Handayani, dan M. Z. Ramadhan, “Hubungan Antara Kualitas Tidur Dengan Tingkat Konsentrasi Pada Mahasiswa,” Healthy Tadulako Journal (Jurnal Kesehatan Tadulako), vol. 8, no. 3, hlm. 157–163, 2022, doi: 10.22487/htj.v8i3.525.

D. H. P. Babo, “Hubungan Tingkat Stres Dengan Kualitas Tidur Pada Mahasiswa Kesehatan,” Health Science Journal: Jurnal Kesehatan Mayapada, vol. 1, no. 1, hlm. 15-18, 2025. [Daring]. Tersedia: https://jurnal.stikesmayapada.ac.id/index.php/HealthScience/article/view/47.

A. Wijoyo, A. Y. Saputra, S. Ristanti, S. R. Sya’ban, M. Amalia, dan R. Febriansyah, “Pembelajaran Machine Learning,” OKTAL : Jurnal Ilmu Komputer dan Science, vol. 3, no. 2, hlm. 375-380, 2024. [Daring]. Tersedia: https://journal.mediapublikasi.id/index.php/oktal/article/view/2305.

R. S. Nurhalizah, R. Ardianto, dan P. Purwono, “Analisis Supervised dan Unsupervised Learning pada Machine Learning: Systematic Literature Review,” Jurnal Ilmu Komputer dan Informatika, vol. 4, no. 1, hlm. 61–72, 2024, doi: 10.54082/jiki.168.

M. N. Fahmi, “Implementasi Mechine Learning menggunakan Python Library?: Scikit-Learn (Supervised dan Unsupervised Learning),” Sains Data Jurnal Studi Matematika dan Teknologi, vol. 1, no. 2, hlm. 87–96, 2023, doi: 10.52620/sainsdata.v1i2.31.

E. H. Yulianti, O. Soesanto, dan Y. Sukmawaty, “Penerapan Metode Extreme Gradient Boosting (XGBOOST) pada Klasifikasi Nasabah Kartu Kredit,” JOMTA Journal of Mathematics: Theory and Applications, vol. 4, no. 1, hlm. 21-26, 2022, doi: 10.31605/jomta.v4i1.1792.

M. M. Alvanof, Bustami, R. K. Dinata, “Penerapan Algoritma Random Forest dalam Deteksi dan Klasifikasi Ransomware,” Jurnal Elektronika Dan Teknologi Informasi, vol. 5, no. 2, hlm. 23-31, 2024, doi: 10.5201/jet.v5i2.488.

L. Rachakonda, A. K. Bapatla, S. P. Mohanty, dan E. Kougianos, “SaYoPillow: Blockchain-Integrated Privacy-Assured IoMT Framework for Stress Management Considering Sleeping Habits,” IEEE Transactions on Consumer Electronics, vol. 67, no. 1, hlm. 20–29, 2021, doi: 10.1109/TCE.2020.3043683.

L. Rachakonda, S. P. Mohanty, E. Kougianos, K. Karunakaran, dan M. Ganapathiraju, “Smart-Pillow: An IoT Based Device for Stress Detection Considering Sleeping Habits,” dalam 2018 IEEE International Symposium on Smart Electronic Systems (iSES) (Formerly iNiS), IEEE, 2018, hlm. 161–166. doi: 10.1109/iSES.2018.00043.

M. Fadhilla, R. Wandri, A. Hanafiah, P. R. Setiawan, Y. Arta, dan S. Daulay, “Analisis Performa Algoritma Machine Learning Untuk Identifikasi Depresi Pada Mahasiswa,” Journal of Informatics Management and Information Technology, vol. 5, no. 1, hlm. 40–47, 2025, doi: 10.47065/jimat.v5i1.473.

I. Permana, dan F. Nur Salisah, “Pengaruh Normalisasi Data Terhadap Performa Hasil Klasifikasi Algoritma Backpropagation,” IJIRSE: Indonesian Journal of Informatic Research and Software Engineering, vol. 2, no. 1, hlm. 67-72, 2022, doi: 10.57152/ijirse.v2i1.311.

R. Aziz dan Y. Yamasari, “Eksplorasi Fitur Seleksi pada SVM dan Random Forest dalam Analisis Sentimen Aplikasi GoPay,” Journal of Informatics and Computer Science, vol. 06, no. 1, hlm. 55-65, 2024, doi: 10.26740/jinacs.v6n01.p55-65.

B. Wulan Sari dan D. Prabowo, “Analisis Perbandingan Prediksi Harga Rumah Dengan Random Forest, Gradient Boosting, dan XGBoost,” Intellect?: Indonesian Journal of Learning and Technological Innovation, vol. 4, no. 1, hlm. 42–51, 2025, doi: 10.57255/intellect.v4i1.1385.

R. Harahap, M. Irpan, M. A. Dinata, L. Efrizoni, dan Rahmaddeni, “Perbandingan Algoritma Random Forest Dan Xgboost Untuk Klasifikasi Penyakit Paru-Paru Berdasarkan Data Demografi Pasien,” Jurnal Ilmiah Betrik, vol. 15, no. 2, hlm. 130-141, 2024, doi: 10.36050/3v3xwn06.

H. Arrasyid, F. A. Setiawan, dan F. Riana, “Perbandingan Metode Random Forest Dan Xgboost Dalam Prediksi Harga Jual Rumah Di Wilayah Jabodetabek,” Kohesi: Jurnal Multidisiplin Saintek, vol. 8, no. 7, hlm. 1-19, 2025, doi: 10.8734/Kohesi.v1i2.365.

M. Fadli dan R. A. Saputra, “Klasifikasi Dan Evaluasi Performa Model Random Forest Untuk Prediksi Stroke,” Jurnal Teknik, vol. 12, no. 2, hlm. 72-80, 2023, doi: 10.31000/jt.v12i2.9099.

D. F. Astari, Y. H. Chrisnanto, dan Melina, "Klasifikasi Tingkat Stres Saat Tidur Menggunakan Algoritma Random Forest," Jurnal Mahasiswa Teknik Informatika, vol. 7, no. 5, hlm. 3676-3684, 2023, doi: 10.36040/jati.v7i5.7750.

D. N. Fahria, K. D. Tania, dan R. D. Kurnia, “Analisis Komparatif Algoritma Random Forest, Xgboost, Dan Catboost Untuk Klasifikasi Tingkat Stres Pengguna Media Sosial”, rabit, vol. 11, no. 1, hlm. 1843–1853, 2026, doi: 10.36341/rabit.v11i1.7449.

J. Chung dan J. Teo, "Single classifier vs. ensemble machine learning approaches for mental health prediction," Brain Informatics, vol. 10, no. 1, hlm. 1-10, 2023, doi: 10.1186/s40708-022-00180-6.

M. Abdillah, B. T. Sarira, A. N. Hidayat, A. N. Fauzan, R. Nurhidayat, A. Septiarini, dan N. Puspitasari, "Implementasi XGBoost dalam Klasifikasi Gagal Ginjal Kronis Menggunakan Dataset Chronic Kidney Disease," JATISI, vol. 12, no. 3, hlm. 333-346, 2025, doi: 10.35957/jatisi.v12i3.11546.

R. M. Saputra, F. Alzami, Y. T. C. Pramudi, L. Erawan, R. A. Megantara, R. A. Pramunendar, dan M. Yusuf, "Improving Cervical Cancer Classification Using ADASYN and Random Forest with GridSearchCV Optimization," Infotekmesin, vol. 16, no. 1, hlm. 59-67, 2025, doi: 10.35970/infotekmesin.v16i1.2552.