PREDIKSI TINGKAT STRES BERDASARKAN KONDISI TIDUR MENGGUNAKAN METODE XGBOOST

Abstract

Stres merupakan fenomena kesehatan mental yang berdampak luas pada kualitas hidup individu dan memiliki hubungan timbal balik dengan kondisi tidur. Penilaian stres secara tradisional menggunakan kuesioner psikometrik rentan terhadap bias subjektivitas dan tidak memungkinkan pemantauan secara real-time. Penelitian ini bertujuan membangun model prediksi tingkat stres berbasis parameter fisiologis tidur menggunakan algoritma XGBoost yang dioptimasi dengan Bayesian Optimization. Dataset yang digunakan adalah SaYoPillow dari Kaggle yang terdiri dari 5.670 data dengan delapan variabel prediktor fisiologis tidur dan lima kelas tingkat stres. Preprocessing dilakukan menggunakan normalisasi Min-Max Scaler, pembagian dataset menggunakan stratified split dengan rasio 80:20, dan optimasi hyperparameter menggunakan Bayesian Optimization dengan 30 iterasi dan validasi silang 5-fold. Hasil evaluasi menunjukkan XGBoost mencapai akurasi 0,9762, presisi 0,9774, recall 0,9762, dan F1-Score 0,9763. Penerapan Bayesian Optimization menghasilkan performa yang identik dengan baseline, mengindikasikan model telah mencapai konfigurasi optimal. Performa terbaik diperoleh pada rasio pembagian dataset 60:40 dengan akurasi 0,9881. Waktu prediksi konsisten di bawah 0,005 detik, menjadikan model ini layak diterapkan pada perangkat wearable