KLASIFIKASI KELAYAKAN CALON PENDONOR DARAH MENGGUNAKAN NEURA L NETWORK

Muhammad Rifqi Firdaus, Abdul Latif, Windu Gata

Abstract


Organisasi Kesehatan Dunia (WHO) menjelaskan, sekitar 180 juta unit darah yang disumbangkan dikumpulkan secara global setiap tahunnya. Kebutuhan kantong darah di Indonesia sendiri sangat tinggi, sesuai standar WHO, jumlah kantong yang harus tersedia di suatu negara adalah 2% dari populasi nasional. Artinya, untuk Indonesia sendiri, dibutuhkan kantong darah sekitar 4,5 juta dalam setahun. Donor darah merupakan kegiatan memberikan sebagian darah untuk disumbangkan pada pasien yang membutuhkan. Untuk menentukan calon pendonor termasuk layak atau tidak layak nya terdapat kriteria yang harus terpenuhi. Sehingga dataset kriteria kelayakan donor darah yang didapat dari UDD PMI Kota Tasikmaya bisa digunakan sebagai tolak ukur untuk mengukur keakuratan dalam meprediksi layak atau tidak layaknya calon pendonor darah untuk mendonorkan darahnya. Berdasarkan penelitian yang telah dilakukan menggunakan tools Rapid Miner 9.0 terhadap dataset kriteria kelayakan calon pendonor darah UDD PMI Kota Tasikmalaya dengan metode Neural network menghasilkan nilai accuracy sebesar 91.65%, precision sebesar 91.05, recall sebesar 99,75% dengan nilai AUC sebesar 0.806 yang menunjukkan bahwa hasil klasifikasinya baik. Sehingga calon pendonor bisa di prediksi terhadap layak atau tidak layaknya bagi calon pendonor untuk mendonorkan darahnya.


Full Text:

PDF

References


A. Makiyah, “Analisis persepsi masyarakat terhadap pentingnya pengetahuan donor darah bagi kesehatan,” J. Ilm. Kesehat. dan Keperawatan, pp. 29–34, 2016.

B. Harira Irawan, S. Rahmad Riady, and K. Sofi, “Penerapan Absensi Kuliah Berbasis QR Code dengan Modul Raspberry Pi3 Menggunakan Metode Arsitektur Zachman Framework,” Pros. Semin. Nas. Unimus, 2018.

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.

P. Studi, S. Informasi, F. I. Komputer, and U. A. Yogyakarta, “Klasifikasi Peminjaman Buku Menggunakan,” vol. 9, no. 1, pp. 1–15, 2020.

S. F. Rodiansyah, “Naive Bayes Classification untuk Penentuan Kelayakan Donor Darah,” 2007.

M. Yunus, H. Dachlan, and P. Santoso, “SPK Pemilihan Calon Pendonor Darah Potensial Dengan Algoritma C4.5 Dan Fuzzy Tahani,” J. EECCIS, 2014.

A. Kurniawan, “PENENTUAN CALON PENDONOR DARAH MENGGUNAKAN ALGORITMA NAIVE BAYES CLASSIFICATION (STUDI KASUS PMI SEMARANG),” pp. 1–29, 2010.

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

S. N. Fais, M. A. D, S. M. I, D. Ramadien, and A. Sani, “KLASIFIKASI CALON PENDONOR DARAH DENGAN METODE NAIVE BAYES CLASIFIER Sukma Nur Fais A, Muhammad Aditya D*, Satria Mulya I, Donny Ramadien, Askia Sani,” pp. 1–6, 2013.

P. S. Informatika and F. Teknologi, “Metode Naïve Bayes Classiier.”

D. Oktavia, R. Yaswir, and N. Harminarti, “Frekuensi Hepatitis B dan Hepatitis C Positif pada Darah Donor di Unit Transfusi Darah Cabang Padang pada Tahun 2012,” J. Kesehat. Andalas, 2017, doi: 10.25077/jka.v6i1.661.

A. Rudiantoro, “PENERAPAN ALGORITMA NAÏVE BAYES CLASSIFIER UNTUK KLASIFIKASI DONOR DARAH BERBASIS WEB ( Studi Kasus Palang Merah Indonesia Kota Kebumen ).”

N. Hadianto, H. B. Novitasari, and A. Rahawati, “Klasifikasi Peminjman Nasabah Bank menggunakan Metode Neural Network,” 2Jurnal PILAR Nusa Mandiri, vol. 15, 2019.




DOI: https://doi.org/10.32520/stmsi.v9i2.840

Article Metrics

Abstract view : 104 times
PDF - 37 times

Refbacks

  • There are currently no refbacks.


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