Machine Learning Dashboard

Dashboard Sleep Disorder Predict

Analisis data gangguan tidur berdasarkan faktor kesehatan, gaya hidup, dan hasil prediksi model machine learning.

Register
Tentang Aplikasi

Prediksi Awal Gangguan Tidur Berbasis Machine Learning

SleepDisorder Predict menggunakan algoritma Machine Learning untuk membantu menganalisis kemungkinan kondisi gangguan tidur berdasarkan data kesehatan dan gaya hidup pengguna. Sistem mengklasifikasikan hasil ke dalam tiga kategori utama, yaitu None atau Normal, Insomnia, dan Sleep Apnea.

Mulai Prediksi Lihat Riwayat
Sleep
Health
Stress
Rest
Data
ML

Sleep Analysis

Data kesehatan dan gaya hidup diproses untuk menghasilkan prediksi awal.

Health Data
Sleep Pattern
Prediction Result
Total Data

1204

Data tersimpan di database sistem.

Model ML

3

KNN, SVM, dan Decision Tree.

Akurasi Tertinggi

96%

Diperoleh oleh model KNN dan SVM.

Kategori Prediksi

3

Normal, Insomnia, dan Sleep Apnea.

How This App Works

Alur Kerja Sistem Prediksi

Proses prediksi dilakukan secara bertahap, mulai dari input data pengguna, pengolahan data, pemilihan model, hingga sistem menampilkan hasil prediksi dan rekomendasi awal.

01

Input Data

Pengguna mengisi data manual atau mengunggah file CSV berisi data kesehatan dan gaya hidup.

02

Preprocessing

Data diproses agar sesuai dengan format yang dibutuhkan oleh model machine learning.

03

Model ML

Sistem menggunakan KNN, SVM, atau Decision Tree untuk melakukan klasifikasi gangguan tidur.

04

Hasil Prediksi

Output prediksi ditampilkan dalam kategori Normal, Insomnia, atau Sleep Apnea.

05

Insight & History

Sistem menampilkan rekomendasi awal dan menyimpan hasil ke riwayat selama server berjalan.

Dataset

Sleep Health and Lifestyle Dataset

Dataset yang digunakan berisi data terkait kesehatan tidur dan gaya hidup, seperti usia, jenis kelamin, pekerjaan, durasi tidur, kualitas tidur, aktivitas fisik, tingkat stres, kategori BMI, tekanan darah, detak jantung, jumlah langkah harian, dan label gangguan tidur.

Data ini digunakan sebagai dasar pelatihan model untuk mengenali pola yang berkaitan dengan kondisi tidur pengguna. Hasil prediksi yang diberikan sistem bersifat prediksi awal, bukan diagnosis medis.

Lihat Dataset di Kaggle

Fitur Utama Dataset

Age & Gender
Occupation
Sleep Duration
Quality of Sleep
Physical Activity
Blood Pressure
Model Evaluation

Perbandingan Akurasi Model

Ringkasan performa model machine learning yang digunakan dalam sistem prediksi gangguan tidur. KNN dan SVM menjadi model dengan akurasi tertinggi.

Best Accuracy 96%

KNN & SVM

Top Model KNN & SVM
Total Model 3 Model
Best Score 96%
Interpretable Decision Tree
Top
96% Accuracy

KNN

K-Nearest Neighbors

Model berbasis kemiripan data yang mampu memberikan performa tinggi pada proses klasifikasi gangguan tidur.

Model Performance 96%
High Performance Similarity Based
Easy Explain
93.33% Accuracy

Decision Tree

Rule Based Model

Model berbasis aturan yang lebih mudah dijelaskan dan cocok untuk memahami pola keputusan klasifikasi.

Model Performance 93.33%
Rule Based Interpretable
Top
96% Accuracy

SVM

Support Vector Machine

Model klasifikasi yang kuat dalam memisahkan kelas data dan menghasilkan akurasi terbaik bersama KNN.

Model Performance 96%
Strong Classifier High Accuracy
Data Visualization

Visualisasi Faktor Kesehatan

Grafik berikut menampilkan distribusi data dari database berdasarkan tingkat stres, aktivitas fisik, dan kualitas tidur.

Stress Level

1–3 rendah, 4–6 sedang, 7–10 tinggi.

Aktivitas Fisik

Rendah, normal, dan tinggi berdasarkan data aktivitas.

Kualitas Tidur

1–3 buruk, 4–6 cukup, 7–10 baik.

Chart Insight

Cara Membaca Grafik Dashboard

Grafik menampilkan distribusi faktor kesehatan dalam bentuk persentase. Semakin tinggi nilai pada kategori tertentu, semakin banyak data yang berada pada kelompok tersebut.

Stress Level

Menunjukkan banyaknya data pada stres rendah, sedang, dan tinggi.

Aktivitas Fisik

Menunjukkan distribusi aktivitas fisik pengguna dalam dataset.

Kualitas Tidur

Menunjukkan kategori kualitas tidur buruk, cukup, dan baik.

None atau Normal

Kondisi tidur berada dalam kategori normal dan tidak menunjukkan indikasi gangguan tidur berdasarkan pola data yang dianalisis.

Insomnia

Kondisi yang berkaitan dengan kesulitan tidur, kualitas tidur rendah, atau pola tidur yang kurang optimal.

Sleep Apnea

Kondisi gangguan tidur yang berkaitan dengan gangguan pernapasan saat tidur dan dapat memengaruhi kualitas istirahat.

Siap melakukan prediksi?

Masukkan data secara manual atau unggah file CSV untuk mendapatkan hasil prediksi gangguan tidur.

Mulai Prediksi