Search for collections on Undip Repository

Implementasi Feature Selection Kendall Untuk Peningkatan Akurasi Pemodelan Dengan Algoritma Random Forest Pada Dataset Lower Back Pain

AMRULLAH, Ridho Kamal (2025) Implementasi Feature Selection Kendall Untuk Peningkatan Akurasi Pemodelan Dengan Algoritma Random Forest Pada Dataset Lower Back Pain. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

[thumbnail of 1. COVER.pdf] Text
1. COVER.pdf

Download (37kB)
[thumbnail of 2. HALAMAN PERNYATAAN KEASLIAN SKRIPSI.pdf] Text
2. HALAMAN PERNYATAAN KEASLIAN SKRIPSI.pdf

Download (242kB)
[thumbnail of 3. HALAMAN PENGESAHAN.pdf] Text
3. HALAMAN PENGESAHAN.pdf

Download (278kB)
[thumbnail of 4. KATA PENGANTAR.pdf] Text
4. KATA PENGANTAR.pdf

Download (233kB)
[thumbnail of 6. ABSTRAK.pdf] Text
6. ABSTRAK.pdf

Download (11kB)
[thumbnail of 7. ABSTRACT.pdf] Text
7. ABSTRACT.pdf

Download (86kB)
[thumbnail of 8. DAFTAR ISI.pdf] Text
8. DAFTAR ISI.pdf

Download (88kB)
[thumbnail of 11. BAB I PENDAHULUAN.pdf] Text
11. BAB I PENDAHULUAN.pdf

Download (90kB)
[thumbnail of 16. DAFTAR PUSTAKA.pdf] Text
16. DAFTAR PUSTAKA.pdf

Download (93kB)

Abstract

Penyakit Lower Back Pain (Nyeri Punggung Belakang) merupakan gejala yang sangat umum
dimiliki berbagai macam kalangan. Years lived with disability (Tahun hidup sehat yang hilang
karena disabilitas) yang disebabkan oleh Penyakit Nyeri Punggung Belakang meningkat
sebanyak 54% dari tahun 1990 sampai 2015, biasa disebabkan karena kenaikan populasi dan
penuaan. Proses data mining, memiliki beberapa tahapan, salah satu tahapnya adalah
preprocessing. Penelitian ini menerapkan metode Feature Selection Kendall untuk memilih
variabel paling relevan berdasarkan kekuatan hubungan asosiasi ordinal non-parametriknya
terhadap variabel target. Tujuan penelitian ini adalah untuk mendapatkan seberapa besar
perubahan performa dalam nilai akurasi pada pemodelan yang menggunakan teknik Feature
Selection Kendall pada dataset Lower Back Pain (Nyeri Punggung Belakang). Penelitian
menggunakan algoritma klasifikasi Random Forest, dan menggunakan K-Fold Cross Validation
untuk mendapatkan nilai yang sesuai. Penelitian ini membandingkan pemodelan tanpa dilakukan
Feature Selection dengan pemodelan yang menggunakan Feature Selection. Hasil dari penelitian
ini adalah pemodelan tanpa menggunakan Feature Selection Kendall menghasilkan nilai akurasi
sebesar 80,71%. dan pemodelan yang menggunakan Feature Selection Kendall menghasilkan
nilai akurasi sebesar 83,27%.
Kata Kunci: Feature Selection Kendall, Random Forest, Data Mining, Lower Back Pain.

Item Type: Thesis (Undergraduate)
Subjects: Sciences and Mathemathic
Divisions: Faculty of Science and Mathematics > Department of Informatics
Depositing User: Yemima Laras Sekarsari
Date Deposited: 27 Nov 2025 08:31
Last Modified: 27 Nov 2025 08:31
URI: https://eprints2.undip.ac.id/id/eprint/41564

Actions (login required)

View Item View Item