Chandra Kurniawan Putra Rukma, 4611414030 (2021) PENINGKATAN AKURASI ALGORITMA NAÏVE BAYES CLASSIFIER DENGAN K-MEANS CLUSTERING UNTUK PREDIKSI CALON PENDONOR DARAH POTENSIAL. Under Graduates thesis, Universitas Negeri Semarang.

PDF - Published Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Teknologi informasi sangat membantu masyarakat dalam berbagai macam bidang kehidupan. Salah satu cabang Ilmu Komputer adalah data mining. Data Mining membantu masyarakat dalam pengolahan data yang jumlahnya sangat banyak dan tidak teratur. Pada bidang kesehatan, data mining dapat dimanfaatkan untuk mengelola data pendonor darah. Donor darah adalah proses pengambilan darah dari seseorang secara sukarela kemudian ditransfusikan ke tubuh orang lain yang membutuhkan. Salah satu cara untuk memenuhi kebutuhan darah di Indonesia adalah secara rutin dilakukan kegiatan donor darah. Namun tidak semua pendonor darah secara rutin mendonorkan darahnya. Dalam mengatasi permasalahan tersebut dibutuhkan sistem yang dapat memprediksi perilaku pendonor darah dimasa mendatang. Recency, Frequency, Monetary, Time, Churn Probability (RFMTC) merupakan modifikasi dari Recency of purchase, Frequency of purchase, dan Monetary value of purchase (RFM) yang digunakan untuk meramal perilaku pendonor darah apakah akan mendonorkan darahnya kembali atau tidak. Dalam penelitian ini Naïve Bayes Classifier dapat diimplementasikan untuk mengklasifikasikan perilaku pendonor darah. Dengan menggunakan dataset RFMTC sejumlah 224 data, diperoleh akurasi sebesar 78,13%. Akurasi tersebut kemudian ditingkatan menjadi 80,80% dengan melakukan clustering atribut RFMTC menggunakan metode K-Means Clustering. Saran penelitian ini adalah adanya kemungkinan akuasi masih dapat ditingkatkan dengan menggunakan metode lain yang lebih efektif.

Actions (login required)

View Item