Komparasi Algoritma C4.5 Dan Naïve Bayes Dalam Penentuan Status Kelayakan Donor Darah

Kartika Handayani, Lisnawanty Lisnawanty, Abdul Latif, Muhammad Rifqi Firdaus, Fuad Nur Hasan

Abstract


Donor darah merupakan kegiatan kemanusiaan dimana seseorang dengan sukarela 

Abstrak

Donor darah merupakan kegiatan kemanusiaan dimana seseorang dengan sukarela menyumbangkan darahnya untuk disimpan di bank darah yang kemudian digunakan untuk transfusi darah. UDD (Unit Donor Darah) PMI Kota Pontianak merupakan tempat pelayanan donor darah dari masyarakat Kota Pontianak. Dalam prakteknya, tidak semua masyarakat yang ingin mendonorkan darah dapat berhasil mendonorkan darahnya. Dalam memprediksi layak atau tidaknya masyarakat untuk mendonorkan darahnya dapat dilakukkan dengan klasifikasi data mining untuk mengetahui faktor yang paling mempengaruhi prediksi donor darah. Penelitian ini menggunakan metode klasifikasi  algoritma C4.5 dan Naïve Bayes kemudian dilakukan perbandingan dua metode tersebut menggunakan confusion matrix, AUC dan uji beda t-test dengan analisa software rapidminer  berdasarkan umur, jenis kelamin, berat badan, tekanan darah, dan hemoglobin. Dari hasil penelitian ini, hemoglobin adalah variabel paling menentukan kelayakan donor darah kemudian tekanan darah. Algoritma terbaik dalam kasus ini adalah Naïve Bayes dengan akurasi 93,26%, sedangkan tingkat akurasi C4.5 93,22%. Naïve Bayes termasuk dalam predikat good classsification dengan AUC sebesar 0.833, sedangkan C4.5 termasuk dalam predikat fair classsification dengan AUC sebesar 0.758. Dari hasil uji beda t-test diperoleh hasil 0.841 yang menyatakan bahwa tidak ada perbedaan signifikan dalam penentuan  klasifikasi status kelayakan donor darah untuk kedua algoritma.

Kata kunci: prediksi, donor darah, c4.5, naïve bayes

 

Abstract

Blood donation is a humanitarian activity in which someone voluntarily donates blood to be stored in a blood bank which is then used for blood transfusions. UDD (Blood Donation Unit) PMI Pontianak City is a blood donor service area of the Pontianak City community. In practice, not all people who want to donate blood can successfully donate blood. In predicting the feasibility of whether or not the community to donate blood can be done with the classification of data mining to determine the factors that most influence the prediction of blood donors. This study uses the C4.5 algorithm and Naïve Bayes classification method, then compares the two methods using a confusion matrix, AUC and t-test different test with rapidminer software analysis based on age, sex, weight, blood pressure, and hemoglobin. From the results of this study, hemoglobin is the most determining variable of eligibility for blood donation then blood pressure. The best algorithm in this case is Naïve Bayes with an accuracy of 93.26%, while the accuracy rate of C4.5 is 93.22%. Naïve Bayes is included in the category of good class certification with AUC of 0.833, while C4.5 is included in the category of fair class certification with AUC of 0.758. From the results of the t-test different test results obtained 0.841 which states that there is no significant difference in determining the classification of blood donor eligibility status for the two algorithms.

Keywords: prediction, blood donor, c4.5, naïve bayes

 


Full Text:

PDF

References


M. R. Firdaus, A. Latif, and W. Gata, “Klasifikasi Kelayakan Calon Pendonor Darah Menggunakan Neura L Network,” Sistemasi, vol. 9, no. 2, p. 362, 2020, doi: 10.32520/stmsi.v9i2.840.

D. Bayususetyo, R. Santoso, and T. Tarno, “Klasifikasi calon pendonor darah menggunakan metode naïve bayes classifier (Studi Kasus : Calon Pendonor Darah di Kota Semarang),” J. Gaussian, vol. 6, no. 2, pp. 193–200, 2017, [Online]. Available: https://ejournal3.undip.ac.id/index.php/gaussian/article/view/16948.

R. R. K. Dewi, M. I. Kartasurya, and A. Mawarni, “Analisis Kebijakan Donor Darah Dan Implementasi Program Rekrutmen Donor Di Unit Donor Darah ( UDD PMI ) Kota Pontianak,” Manaj. Kesehat. Indones., vol. 4, no. 02, pp. 109–117, 2016, [Online]. Available: https://ejournal.undip.ac.id/index.php/jmki/article/view/13601/10255.

K. B. Utomo, “Perancangan Sistem Informasi Bank Darah Hidup untuk Mempercepat Penyediaan Calon Penyumbang Darah Dengan Ketepatan yang Tinggi (Studi di PMI Kota Samarinda),” J. Inform. Mulawarman, vol. 5, p. 22, 2010.

PMI, “Tentang Donor Darah.” .

F. S. Nugraha, M. J. Shidiq, and S. Rahayu, “Analisi Algoritma Klasifikasi Neural Network untuk Diagnosa Penyakit Kanker Payudara,” J. PILAR Nusa Mandiri, 2019.

Y. I. K. Kurniawan, “PERBANDINGAN ALGORITMA NAIVE BAYES DAN C.45 DALAM KLASIFIKASI DATA MINING,” J. Teknol. Inf. dan Ilmu Komput., vol. x, no. 30, pp. 1–8, 2018, doi: 10.25126/jtiik.

S. Bahri, D. Marisa Midyanti, R. Hidayati, J. Sistem Komputer, and F. Mipa, “Perbandingan Algoritma Naive Bayes dan C4.5 Untuk Klasifikasi Penyakit Anak,” Semin. Nas. Apl. Teknol. Inf., pp. 24–31, 2018.

Asmira, “Penerapan Data Mining untuk Mengklasifikasi Pola Nasabah Menggunakan Algoritma C4,5 pada Bank BRI Unit Andounohu Kendari,” J. Sist. Komput. dan Sist. Inf., vol. 1, no. 1, pp. 22–28, 2019, [Online]. Available: file:///C:/Users/LUKINO~1/AppData/Local/Temp/316-828-1-SM-2.pdf.

S. Lestari and M. Badrul, “Implementasi Klasifikasi Naive Bayes Untuk Prediksi,” vol. 7, no. 1, pp. 8–16, 2020.

P. A. Rahayuningsih, “KOMPARASI ALGORITMA KLASIFIKASI DATA MINING UNTUK MEMPREDIKSI TINGKAT KEMATIAN DINI KANKER DENGAN DATASET EARLY DEATH CANCER,” J. Tek. Inform. Kaputama, vol. 3, no. 2, 2019, [Online]. Available: http://jurnal.kaputama.ac.id/index.php/JTIK/article/view/169.

D. Bayususetyo, R. Santoso, and Tarno, “Klasifikasi Calon Pendonor Darah Menggunakan Metode Naive Bayes Classifier,” J. Gaussian, vol. 6, 2AD.

H. Amalia, “Penerapan Naïve Bayes Berbasis Genetic Algorithm Untuk Penentuan Klasifikasi Donor Darah,” J. Tek. Komput. AMIK BSI, vol. III, no. 1, pp. 70–76, 2017, [Online]. Available: https://pdfs.semanticscholar.org/2157/29026e7e58b60b322267534aaa28bb448f41.pdf.

A. Febriani, T. T. Rahmawati, and E. Sabna, “Implementation of Data Mining to Predict The Feasibility of Blood Donors Using C4.5 Algorithm,” Indones. J. Artif. Intell. Data Min., vol. 1, no. 1, p. 41, 2018, doi: 10.24014/ijaidm.v1i1.4562.

K. J. Atmaja, I. B. G. Anandita, and N. K. C. Dewi, “Penerapan Data Mining Untuk Memprediksi Potensi Pendonor Darah Menjadi Pendonor Tetap Menggunakan Metode Decision Tree C.45,” S@Cies, vol. 7, no. 2, pp. 101–108, 2018, doi: 10.31598/sacies.v7i2.284.




DOI: https://doi.org/10.32520/stmsi.v10i3.1440

Article Metrics

Abstract view : 101 times
PDF - 70 times

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.