Komparasi Naive Bayes, C4.5 Dan SVM Untuk Klasifikasi Pendonor Darah Di PMI Kabupaten Grobogan

Puput Rismawati; Eko Supriyadi; Dhika Malita Puspita Arum

doi:10.36309/goi.v31i2.421

Komparasi Naive Bayes, C4.5 Dan SVM Untuk Klasifikasi Pendonor Darah Di PMI Kabupaten Grobogan

https://doi.org/10.36309/goi.v31i2.421
Puput Rismawati^(1*)

, Eko Supriyadi⁽²⁾, Dhika Malita Puspita Arum⁽³⁾

Affiliation

(1) Program Studi Ilmu Komputer, Universitas An Nuur, Grobogan
(2) Program Studi Ilmu Komputer, Universitas An Nuur, Grobogan
(3) Program Studi Ilmu Komputer, Universitas An Nuur, Grobogan
(*) Corresponding Author

How to Cite

Cite this Item

Abstract

Kebutuhan darah di Indonesia masih tinggi dan sering tidak sebanding dengan jumlah pendonor yang tersedia. Untuk memastikan kualitas donor, PMI menerapkan kriteria kesehatan tertentu. Namun, proses seleksi masih dilakukan secara manual sehingga memerlukan metode analisis yang lebih efektif. Perkembangan teknik data mining memungkinkan penerapan algoritma klasifikasi untuk menentukan kelayakan pendonor darah secara akurat. Penelitian ini menggunakan dataset pendonor darah dari PMI Kabupaten Grobogan. Menggunakan tiga algoritma klasifikasi, yaitu Naïve Bayes, Decision Tree C4.5, dan Support Vector Machine (SVM), diimplementasikan menggunakan perangkat lunak RapidMiner. Hasil pengujian menunjukkan bahwa algoritma C4.5 memiliki performa terbaik dengan akurasi sebesar 96,77%. Naïve Bayes menghasilkan akurasi 75,47% dengan AUC, sedangkan SVM memperoleh akurasi 72,38%. Algoritma C4.5 paling efektif untuk klasifikasi kelayakan pendonor darah, karena akurat sekaligus mudah diinterpretasi. Ini bisa menjadi dasar pengembangan sistem pendukung keputusan berbasis data mining guna membantu proses seleksi pendonor secara lebih cepat dan objektif.

Keywords

C4.5; Donor Darah; Klasifikasi; Naive Bayes; SVM

Full Text:

PDF HAL. 290-299

References

S. S. Elfaretta, A. A. Arifiyanti, and A. S. Fitri, “KLASIFIKASI CALON PENDONOR DARAH POTENSIAL MENGGUNAKAN ALGORITMA DECISION TREE DI UTD PMI KOTA SURABAYA,” JITET (Jurnal Inform. dan Tek. Elektro Ter., vol. 12, no. 3, 2024.

M. R. Firdaus et al., “KLASIFIKASI KELAYAKAN CALON PENDONOR DARAH MENGGUNAKAN NEURA L NETWORK,” Sist. J. Sist. Inf., vol. 9, pp. 362–371, 2020.

I. T. Utami, Fadjryani, and D. Daniaty, “PERBANDINGAN KLASIFIKASI STATUS PENDONOR DARAH DENGAN MENGGUNAKAN REGRESI LOGISTIK DAN K-NEAREST,” J. Apl. Stat. Komputasi Stat., vol. 12, 2020.

N. P. P. Pratama, T. Sukmono, B. I. Putra, and Sulistiyowati, “Forecasting the Amount of Blood Storage Using the Support Vector Machine (Svm) Method,” Procedia Eng. Life Sci., vol. 3, no. 07, 2023, doi: 10.21070/pels.v3i0.1359.

Y. Irawan, “Penerapan Algoritma Decision Tree C4 . 5 Untuk Prediksi Kelayakan Calon Pendonor Darah Dengan Klasifikasi Data Mining ( Application of the C4 . 5 Decision Tree Algorithm to Predict the Eligibility of Prospective Blood Donors by Classification Data Mining,” JTIM J. Teknol. Inf. dan Multimed., vol. 2, no. 4, pp. 181–189, 2021.

N. Nur, N. Syahra, and Asmawati, “Perbandingan Metode k-NN dan Naïve Bayes dalam Klasifikasi Penentuan Calon Pendonor Darah,” JCIS (Journal Comput. Inf. Syst., vol. 1, no. 1, pp. 21–28, 2021, doi: 10.31605/jcis.v1i1.875.

G. Wahyu, N. Wibowo, A. Sucipto, and H. Kristanto, “OPTIMASI PSO PADA NAÏVE BAYES UNTUK PREDIKSI CALON PENDONOR DARAH TETAP ( STUDI KASUS PMI KABUPATEN KUDUS ),” JTINFO (Jurnal Tek. Inform., vol. 2, no. 2, 2023.

N. K. M. Astuti, N. W. Utami, and I. G. P. K. Juliharta, “Classification of Blood Donor Data Using C4.5 and K-Nearest Neighbor Methods (Case Study: Utd Pmi Bali Province),” J. Pilar Nusa Mandiri, vol. 18, no. 1, pp. 9–16, 2022, doi: 10.33480/pilar.v18i1.2790.

H. Wahono and D. Riana, “Prediksi Calon Pendonor Darah Potensial Dengan Algoritma Naïve Bayes, K-Nearest Neighbors dan Decision Tree C4.5,” JURIKOM (Jurnal Ris. Komputer), vol. 7, no. 1, p. 7, 2020, doi: 10.30865/jurikom.v7i1.1953.

M. Lestandy, A. Faruq, and A. Faruq, “Klasifikasi pendonor darah potensial menggunakan pendekatan algoritme pembelajaran mesin,” J. Teknol. dan Sist. Komput., vol. 8, no. April, pp. 217–221, 2020, doi: 10.14710/jtsiskom.2020.13619.

U. Suriani, “Penerapan Data Mining untuk Memprediksi Tingkat Kelulusan Mahasiswa Menggunakan Algoritma Decision Tree C4.5,” Journalcisa, vol. 3, no. 2, pp. 55–66, 2023, [Online]. Available: http://jesik.web.id/index.php/jesik/article/view/91

H. P. Hutrim and Nurahman, “PENERAPAN DATA MINING UNTUK PENENTUAN ( STUDI KASUS PMI KABUPATEN KOTAWARINGIN TIMUR ),” JUISI, vol. 06, no. 02, 2020.

A. Rudiantoro, “PENERAPAN ALGORITMA NAÏVE BAYES CLASSIFIER UNTUK KLASIFIKASI DONOR DARAH BERBASIS WEB ( Studi Kasus Palang Merah Indonesia Kota Kebumen ),” Universitas Teknologi Yogykarta, 2019.

M. Zainuri, “Komparasi Metode Klasifikasi Data Mining Algoritma C5.0 Dan Naïve Bayes Untuk Memprediksi Jurusan Siswa (Studi Kasus: Sman 1 Gondanglegi),” Universitas Islam Raden Rahmat, 2022.

Hendriyana, I. M. Karo Karo, and S. Dewi, “Analisis perbandingan Algoritma Support Vector Machine, Naive Bayes dan Regresi Logistik untuk Memprediksi Donor Darah,” J. Teknol. Terpadu, vol. 8, no. 2, pp. 121–126, 2022, doi: 10.54914/jtt.v8i2.581.

K. Handayani, Lisnawanty, A. Latif, M. R. Firdaus, and F. N. Hasan, “Komparasi Algoritma C4 . 5 dan Naïve Bayes dalam Penentuan Status Kelayakan Donor Darah,” Sist. J. Sist. Inf., vol. 10, pp. 676–687, 2021.

R. Ramadhan and A. Triyudi, “Perbandingan Klasifikasi Data Calon Pendonor Darah dengan Algoritma K-Nearest Neighbor dan Support Vector Machine,” JATISI (Jurnal Tek. Inform. dan Sist. Informasi), vol. 9, no. 2, pp. 1250–1260, 2022, doi: 10.35957/jatisi.v9i2.2018.

A. Widyanto, Kusrini, and Kusnawi, “Pengaruh Keseimbangan Data terhadap Akurasi Model Support Vector Machine pada Data Set Donor Darah,” J. Teknol. Terpadu, vol. 9, no. 2, pp. 79–88, 2023, doi: 10.54914/jtt.v9i2.771.