Penerapan Decision Tree dan Random Forest dalam Deteksi Tingkat Stres Manusia Berdasarkan Kondisi Tidur

Abstract

Masalah kesehatan mental menjadi isu global yang sangat umum terjadi, termasuk perubahan suasana hati, perbedaan kepribadian, ketidakmampuan mengatasi masalah, serta mengisolasi diri dari keramaian. Berdasarkan data dari World Health Organization (WHO), gangguan kecemasan dan stres menjadi gangguan mental yang paling sering terjadi dari 970 juta kasus yang dilaporkan sepanjang tahun 2019. Stres telah banyak dikaitkan dengan tidur. Penelitian ini akan mengungkap hubungan kondisi tidur pada manusia dengan tingkat stres yang sedang diderita dengan 5 tingkatan: normal, stres ringan, stres sedang, stres tinggi, stres sangat tinggi. Data yang digunakan merupakan data kontinyu dengan 8 fitur: ‘sr’ (snoring rate), ‘rr’ (respiration rate), ‘t’ (body temperature), ‘lm’ (limb movement), ‘bo’ (blood oxygen), ‘rem’ (rapid eye movement), ‘sh’ (sleeping hours), dan ‘hr’ (heart rate). Setiap fitur memiliki rentang nilai yang tidak sama, sehingga dilakukan normalisasi untuk menyeragamkan rentang tersebut. Hyperparameter tuning dilakukan dengan teknik k-fold cross validation dan model dirancang dengan algoritma klasifikasi Decision Tree serta Random Forest. Hasilnya, 5 fitur: tingkat mendengkur, laju respirasi, pergerakan anggota tubuh termasuk bola mata, serta detak jantung saat tidur berbanding lurus dengan tingkat stres. Semakin tinggi nilai kelima fitur tersebut mengindikasikan tingkat stres yang lebih tinggi. Sedangkan dengan 3 fitur lainnya: suhu tubuh, kadar oksigen, dan waktu tidur memberikan hasil sebaliknya. Dengan kata lain, ketiga nilai tersebut berbanding terbalik dengan tingkat stres yang diderita. Model Decision Tree memiliki akurasi 0,99 dan Random Forest memiliki akurasi 1,0. Hasil penelitian ini diharapkan dapat memberikan insight bagi peneliti lain pada bidang yang sama dan dapat menjadi acuan dalam mendeteksi stres yang sedang diderita.       Abstract Stress is often associated with sleep. This research aims to uncover the relationship between human sleep conditions and the level of stress experienced, categorized into five levels: not stressed, very mildly stressed, mildly stressed, highly stressed, and very highly stressed. The data used consists of continuous data with eight features: 'snoring rate' (snoring rate), 'respiration rate' (respiration rate), 'body temperature' (body temperature), 'limb movement' (limb movement), 'blood oxygen' (blood oxygen), 'rapid eye movement' (rapid eye movement), 'sleep hours' (sleep hours), and 'heart rate' (heart rate). Each feature has a different value range, so normalization is performed to standardize these ranges. Hyperparameter tuning is done using k-fold cross-validation, and the model is designed using the Decision Tree and Random Forest classification algorithms. The results show that five features: snoring rate, respiration rate, limb movement including eye movement, and heart rate during sleep are directly proportional to the level of stress. Higher values for these five features indicate higher levels of stress. On the other hand, the other three features: body temperature, blood oxygen level, and sleep hours yield the opposite results. In other words, the values of these three features are inversely proportional to the level of stress experienced. The Decision Tree model has an accuracy of 0.99, and the Random Forest model has an accuracy of 1.0. The results of this research are expected to provide insights for other researchers in the same field and can serve as a reference for detecting ongoing stress.