Application of Support Vector Machine Algorithm For Classification of Sleep Disorders

Tsabitah Raihanah Putri; Putri Nur Utamy; Mochamad Wahyudi; Sumanto; Ade Surya Budiman

doi:10.59934/jaiea.v5i1.1242

Authors

Tsabitah Raihanah Putri Universitas Bina Sarana Informatika
Putri Nur Utamy Universitas Bina Sarana Informatika
Mochamad Wahyudi Universitas Bina Sarana Informatika
Sumanto Universitas Bina Sarana Informatika
Ade Surya Budiman Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.59934/jaiea.v5i1.1242

Keywords:

Sleep Disorders, Support Vector Machine, Kernel, Classification, Machine Learning

Abstract

Sleep disorders such as insomnia and sleep apnea are health problems that can have a serious impact on a person's quality of life. Early detection of these disorders is important to prevent the risk of more severe complications. This study aims to build a sleep disorder classification model using the Support Vector Machine (SVM) algorithm by evaluating the influence of four types of kernels, namely Linear, Polynomial, Radial Basis Function (RBF), and Sigmoid. The dataset used comes from the Sleep Health and Lifestyle Dataset which contains information about individual characteristics related to sleep and lifestyle. The research process follows the CRISP-DM stages from data understanding, data preparation, modeling, to model evaluation using accuracy, precision, recall, and F1-score metrics. The evaluation results show that the Polynomial kernel produces the best performance with 91.6% accuracy, followed by Linear, RBF, and Sigmoid. This finding shows that the selection of the right kernel in SVM has a significant effect on classification quality. This research contributes to the utilization of machine learning to detect sleep disorders and opens up opportunities for the development of more accurate and efficient diagnostic systems.

Downloads

Download data is not yet available.

References

Balqis, I. P., Jusuf, M. I., Pateda, S. M., Antu, Y., & Karim, C. R. (2025). Hubungan Antara Kualitas Tidur dan Daya Konsentrasi pada Maha-siswa Kedokteran Universitas Negeri Gorontalo. Jambura Axon Journal, 2(1), 1–11.

Berek, A. B., & Isa, S. M. (2025). Data Mining untuk Memprediksi Animo Masyarakat terhadap Proses Penerimaan Peserta Didik Baru. KESATRIA: Jurnal Penerapan Sistem Informasi (Komputer & Manajemen), 6(1), 219–226.

Candrakasih, M. A. C., Krisbiantoro, D., & Waluyo, R. (2025). Perbandingan Random Forest Dan Support Vector Machine Untuk Klasifikasi Sleep Apnea. Technologia : Jurnal Ilmiah, 16(2), 337–344.

Danil, S., Rahaningsih, N., Dana, R. D., & Mulyawan. (2025). Peningkatan Model Klasifikasi Pada Kab/Kota di Indonesia Menggunakan Metode Decision Tree. JITET (Jurnal Informatika Dan Teknik Elektro Terapan), 13(2), 829–835.

Fransiska R, N. N., Anggraeni, D. S., & Enri, U. (2022). Pengelompokkan Data Kemiskinan Provinsi Jawa Barat Menggunakan Algoritma K-Means dengan Silhouette Coefficient. Tematik, 9(1), 29–35. https://doi.org/10.38204/tematik.v9i1.901

Handayani, M., Fitri, A. U., Jayadilaga, Y., Makassar, N., & Negeri, U. (2023). Gambaran gangguan tidur yang dirasakan pada remaja dan dewasa muda di kota makassar. Jurnal Kesehatan, 11(1), 122–128.

Hasibuan, R. K., & Hasna, J. A. (2021). Gambaran Kualitas Tidur pada Lansia dan Faktor-Faktor yang Mempengaruhinya di Kecamatan Kayangan, Kabupaten Lombok Utara, Nusa Tenggara Barat. Jurnal Kedokteran Dan Kesehatan, 17(2), 187–195. https://doi.org/10.24853/jkk.17.2.187-195

Khansa, N., & Fatah, Z. (2024). Analisis Perbandingan Algoritma Machine Learning Dalam Klasifikasi Gangguan Tidur. Gudang Jurnal Multidi-siplin Ilmu, 2(November), 76–81.

Ningtyas, V. M. (2024). Hubungan kualitas tidur terhadap kejadian hipertensi pada lansia. Jurnal Sago Gizi Dan Kesehatan, 5(2), 288–295. http://dx.doi.org/10.30867/sago.v5i2.1422

Pratama, A. K., Ashaury, H., & Umbara, F. R. (2024). Klasifikasi Data Gempa Bumi Di Pulau Jawa Menggunakan Algoritma Extreme Gradient Boosting. JATI (Jurnal Mahasiswa Teknik Informatika), 7(4), 2923–2929. https://doi.org/10.36040/jati.v7i4.7296

Sidabutar, A. F., Habibi, R., & Rahayu, W. I. (2023). Perbandingan Metode Klasifikasi Untuk Pengelompokan Risiko Magang Mahasiswa. JATI (Jurnal Mahasiswa Teknik Informatika), 7(3), 2071–2076. https://doi.org/10.36040/jati.v7i3.7026

Tantyoko, H., Sari, D. K., & Wijaya, A. R. (2023). Prediksi Potensial Gempa Bumi Indonesia Menggunakan Metode Random Forest Dan Feature Selection. IDEALIS : InDonEsiA JournaL Information System, 6(2), 83–89. https://doi.org/10.36080/idealis.v6i2.3036

Utami, A. Y., Rosdiana, I., & Soffan, M. (2023). KORELASI KUALITAS TIDUR DENGAN FUNGSI KOGNITIF PADA LANJUT USIA : Studi Observasional Analitik di Panti Wredha Pucang Gading Semarang. Jurnal Ilmiah Sultan Agung, 1168–1177.

Widiawati, N., Sari, B. N., & Padilah, T. N. (2022). Clustering Data Penduduk Miskin Dampak Covid-19 Menggunakan Algoritma K-Medoids. Journal of Applied Informatics and Computing, 6(1), 55–63. https://doi.org/10.30871/jaic.v6i1.3266