Klasifikasi Kelayakan Calon Pendonor Darah Di PMI mengunakan Decision Tree
Keywords:
Donor darah,, Data mining,, Algoritma Decision Tree,Abstract
Data UDD PMI menunjukkan bahwa banyak pendonor yang wajib memenuhi persyaratan guna dijadikan pendonor darah. Selama ini, calon pendonor dipilih secara manual untuk mendonorkan darah. Sistem informasi sekarang belum menggali lebih banyak informasi dari banyak data guna menjadi pengetahuan. Wajib ada konsolidasi organisasi serta penilaian yang berkelanjutan mengenai kinerja PMI guna menangani permasalahan sosial kemanusiaan. Guna mengidentifikasi individu layak ataupun tidak guna mendonorkan darahnya, pengimplementasian data mining melalui metode klasifikasi mempergunakan Algoritma Decision Tree C4.5 dapat mempergunakan hasil variable yang bernilai kontinu ataupun dikrit, misalnya umur, BB, serta tekanan darah (sistolik serta diastolik). Dengan mempergunakan data mining Algoritma Decision Tree C4.5, calon kelayakan pendonor darah bisa diklasifikasikan berdasar umur, BB, hemoglobin, serta tekanan darah. Variabel yang paling menentukan yaitu hemoglobin dengan nilai gain tertinggi
References
[1] Gunawan, I. M., Saraswati, I. D., Agung, I. D., & Putra, I. P. (2023). Klasifikasi penyakit jantung mempergunakan algoritma Decision Tree C4.5 dengan RapidMiner.Jurnal Teknologi Dan Sistem Informasi Bisnis, 73-83.
[2] Hutrim, H. P., & Nurahman. (2020). Pengimplementasian data mining guna penentuan kelayakan calon pendonor darah mempergunakan teknik Naïve Bayes (Studi kasus PMI Kabupaten Kotawaringin Timur). JUISI.
[3] Irawan, Y. (2021). Pengimplementasian algoritma Decision Tree C4.5 bagi prediksi kelayakan calon pendonor darah melalui klasifikasi data mining. Jurnal Teknologi Informasi dan Multimedia, 181-189.
[4] Pascalina, D., Widhiastono, R., & Juliane, C. (2023). Pengujian kesiapan transformasi digital Smart City mempergunakan aplikasi RapidMiner. Technomedia Journal (TMJ).
[5] Rofiani, R., Oktaviani, L., D. V., & T. H. (n.d.). Pengimplementasian teknik klasifikasi Decision Tree bagi prediksi kanker paru-paru mempergunakan algoritma C4.5. Jurnal TEKNO KOMPAK, 126-139.
[6] Yulisman, Y., Wahyuni, R., & Irawan, Y. (2020). Aplikasi pengarsipan surat masuk serta surat keluar berbasis web pada SMP Negeri 32 Pekanbaru. Jurnal Teknologi Sistem Informasi dan Aplikasi, 3(4), 252. https://doi.org/10.32493/jtsi.v3i4.7345
[7] Mustika, B. (2020). pemakaian text mining pada Twitter melalui algoritma K-Means Clustering sebagai dasar kebijakan marketing biro perjalanan wisata. Jurnal Ilmu Komputer, 9(2), 138–147. https://doi.org/10.33060/JIK/2020/Vol9.Iss2.180
[8] Irawan, Y. (2019). Pengimplementasian data mining bagi evaluasi data penjualan mempergunakan teknik clustering serta algoritma hirarki divisive. Jurnal Teknologi Informasi Universitas Lampung, 3(1), 13–20.
[9] Magdalena, L., & Mulyasari, H. (2018). Rancangan SI PMI melalui menyatukan data pendonor serta stok darah antar cabang PMI di Wilayah III Cirebon. Retrieved from https://doi.org/10.1002/9781118874059
[10] Al, F., & Heru, T. (2015). MSDM sebagai dasar meraih keunggulan bersaing. UPP STIM YKPN.
[11] Yogyakarta Andini, P. (2010). Evaluasi penganggaran biaya rumah sakit (Studi kasus Rumah Sakit Umum Palang Merah Indonesia (RSU PMI) Bogor). Jurnal Akuntansi Manajemen.
[12] Achsan, M. (2014). Insidensi infeksi menular lewat transfusi darah (IMLTD) di Unit Donor Darah PMI Kota Semarang. Medica Hospitalia-Journal of Clinical Medicine, 2(2).
[13] Badan Pengawas Obat serta Makanan Republik Indonesia. (2016). Draft pedoman CPOB untuk unit penyedia darah. BPOM RI. Jakarta.
[14] Custer, B., Janssen, M. P., & Alliance of Blood Operators Risk-Based DecisionMaking (RBDM) Initiative. (2015). Health economics and outcomes methods in riskbased decision-making for blood safety. Transfusion, 55(8), 2039-2047.
[15] Agustina, H. (2015). Kualitas pelayanan Palang Merah Indonesia (PMI) Provinsi Lampung (Studi pada Unit Donor Darah Cabang Pembina Provinsi Lampung).Doctoral dissertation, Fakultas Ilmu Sosial dan Ilmu Politik.
