KLASIFIKASI CALON PENDONOR DARAH POTENSIAL MENGGUNAKAN ALGORITMA DECISION TREE DI UTD PMI KOTA SURABAYA
DOI:
https://doi.org/10.23960/jitet.v12i3.4957Abstract Views: 404 File Views: 306
Abstract
Darah merupakan komponen yang vital dalam tubuh manusia. Kurangnya jumlah darah pada tubuh akan memengaruhi kerja dari organ lain. Oleh karena itu, PMI berperan aktif dalam menyediakan kebutuhan stok darah nasional. Untuk memastikan bahwa darah yang diterima oleh resipien aman dan berkualitas baik, maka perlu dilakukan klasifikasi calon pendonor darah potensial. Penelitian ini menggunakan beberapa algoritma Decision Tree dalam proses klasifikasi data. Algoritma yang digunakan adalah CART, C4.5, dan Random Forest. Hasil perbandingan dari tiga algoritma menunjukkan bahwa Random Forest memiliki nilai terbaik dibandingkan algoritma lainnya. Algoritma Random Forest mendapatkan akurasi dengan nilai 97% dan AUC ROC dengan nilai 99%. Oleh karena itu, algoritma Random Forest diimplementasikan dalam sistem klasifikasi calon pendonor darah potensial berbasis web. Hasil uji validasi sistem menunjukkan akurasi dengan angka 97%.Downloads
References
Fadilah dkk. (2024). Pentingnya Pengetahuan Tentang Donor Darah Terhadap Kesadaran Perilaku Masyarakat. Jurnal Anestesi: Jurnal Ilmu Kesehatandan Kedokteran, 2(1), 77-87.
Handayani dkk. (2021). Komparasi Algoritma C4.5 dan Naïve Bayes dalam Penentuan Status Kelayakan Donor Darah. SISTEMASI: Jurnal Sistem Informasi, 10(3), 676-687.
Irawan, Y. (2021). Penerapan Algoritma Decision Tree C4.5 untuk Prediksi Kelayakan Calon Pendonor Darah dengan Klasifikasi Data Mining. JTIM: Jurnal Teknologi Informasi dan Multimedia, 2(4), 181-189.
Wahono, H., & Riana, D. (2020). Prediksi Calon Pendonor Darah Potensial dengan Algoritma Naïve Bayes, K-Nearest Neighbors dan Decision Tree C4.5. JURIKOM (Jurnal Riset Komputer), 7(1), 7-14.
Astuti, N. K., Utami, N. W., & Juliharta, I. G. (2022). Classification of Blood Donor Data Using C4.5 and K-Nearest Neighbor Method (Case Study: UTD PMI Bali Province). PILAR Nusa Mandiri: Journal of Computing and Information System, 18(1), 9-16.
Atmaja, K. J., Anandita, I. B., & Dewi, N. K. (2017). Penerapan Data Mining untuk Memprediksi Potensi Pendonor Darah Menjadi Pendonor Tetap Menggunakan Metode Decision Tree C.45. Jurnal Ilmu Komputer dan Sains Terapan, 7(2), 101-108.
Yunus, M., Dahlan, H. S., & Santoso, P. B. (2014). SPK Pemilihan Calon Pendonor Darah Potensial dengan Algoritma C4.5 dan Fuzzy Tahani. Jurnal EECCIS, 8(1), 47-54.
Qadrini, L., Seppewali, A., & Aina, A. (2021). Decision Tree dan Adaboost pada Klasifikasi Penerima Program Bantuan Sosial. JIP (Jurnal Inovasi Penelitian), 2(7), 1959-1966.
Junita, V., & Bachtiar, F. A. (2019). Klasifikasi Aktivitas Manusia menggunakan Algoritma Decision Tree C4.5 dan Information Gain untuk Seleksi Fitur. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(10), 9426-9433.
Prabawati, N. I., Widodo, & Duskarnaen, M. F. (2019). Kinerja Algoritma Classification and Regression Tree (Cart) dalam Mengklasifikasikan Lama Masa Studi Mahasiswa yang Mengikuti Organisasi di Universitas Negeri Jakarta. Jurnal Pinter, 3(2), 139-145.
Supriyadi dkk. (2020). Penerapan Algoritma Random Forest untuk Menentukan Kualitas Anggur Merah. Jurnal Ilmiah Ekonomi dan Bisnis, 13(2), 67-75.
Brown, M. S. (2014). Data Mining for Dummies. Penerbit John Wiley & Sons.
Abdulhakim, R., Carudin, & Dermawan, B. A. (2021). Analisis dan Penerapan Algoritma Convolutional Neural Network untuk Klasifikasi Kendaraan Prioritas. Jurnal Sains dan Informatika, 7(2), 135-144.
Kurniawan, W. A. & Salam, A. (2024). Penggunaan Feature Space SMOTE untuk Mengurangi Overfitting Akibat Imbalance Dataset. Techno.COM, 23(2), 328-337.
