IMPLEMENTASI FORWARD CHAINING DAN RANDOM FOREST MENGGUNAKAN RECURSIVE FEATURE ELIMINATION DALAM SISTEM PAKAR DETEKSI STRES PADA GEN Z

Affandi, Ananda Asa Firstha (2025) IMPLEMENTASI FORWARD CHAINING DAN RANDOM FOREST MENGGUNAKAN RECURSIVE FEATURE ELIMINATION DALAM SISTEM PAKAR DETEKSI STRES PADA GEN Z. Undergraduate thesis, Universitas Pembangunan Nasional Veteran Jawa Timur.

	Text Ananda Asa Firstha - Revisi 22-1-22.pdf Download (837kB)
	Text fix skrispi ttd fista-23-27.pdf Download (302kB)
	Text fix skrispi ttd fista-28-50.pdf Download (504kB)
	Text fix skrispi ttd fista-51-80.pdf Restricted to Repository staff only until 4 December 2028. Download (871kB) \| Request a copy
	Text ttdfox-81-111.pdf Restricted to Repository staff only until 4 December 2028. Download (927kB) \| Request a copy
	Text ttdfox-112-113.pdf Download (232kB)
	Text ttdfox-114-117.pdf Restricted to Repository staff only until 4 December 2028. Download (270kB) \| Request a copy

Abstract

Stres menjadi salah satu isu kesehatan yang sedang ramai menjadi perbincangan khususnya pada Generasi Z, stres terjadi akibat adanya tekanan akademik, serta paparan media digital yang terus meningkat. Kondisi ini kerap tidak terdeteksi tepat waktu karena membutuhkan waktu cukup panjang untuk observasi, dan selalu bergantung pada ahli. Keterbatasan tersebut menimbulkan urgensi untuk menghadirkan sistem deteksi stres yang mampu memberikan penilaian cepat dan konsisten agar resiko stres berat dapat dicegah. Sebagai solusi atas permasalahan tersebut, penelitian ini mengembangkan sebuah sistem pakar deteksi stres berbasis web yang menggunakan metode Forward Chaining dan Random Forest yang dioptimalkan dengan menggunakan Recursive Feature Elimination. Forward Chaining digunakan untuk merepresentasikan pengetahuan pakar ke dalam aturan. Sementara itu, Random Forest digunakan sebagai model machine learning. Solusi tersebut diimplementasikan dalam sistem, dengan hasil penelitian menujukkan bahwa Forward Chaining memiliki akurasi 0,62, sedangkan Random Forest berada di akurasi 1,00, dan stabil di 0,98-0,99 setelah adanya seleksi fitur. Hal ini membuktikan bahwa dengan menggunakan metode berbasis aturan dan machine learning dapat menghasilkan sistem deteksi stres yang optimal dan akurat.

Item Type:

Thesis (Undergraduate)

Contributors: