Nugroho, Erwin Bagus (2018) Klasifikasi Pendonor Darah Menggunakan Metode Support Vector Machine (SVM) Pada Dataset RFMTC. Sarjana thesis, Universitas Brawijaya.
Abstract
Donor darah adalah proses pengambilan darah dari seseorang yang dilakukan secara sukarela kemudian dipakai untuk transfusi darah bagi pasien yang membutuhkan. Darah dari pendonor tidak dapat digunakan setelah 42 hari Menurut American Red Cross. Satu-satunya cara untuk memenuhi permintaan kantong darah dengan memiliki sumbangan darah rutin dari pendonor yang sehat. Di Indonesia pada tahun 2013 mengalami kekurangan kantong darah sebanyak 2.476.389 c.c, dimana idealnya ketersediaan darah adalah 2,5% dari jumlah penduduk. Dalam mengatasi permasalahan tersebut dibutuhkan suatu sistem yang mampu memprediksi perilaku pendonor agar dapat mengantisipasi kekurangan kantong darah. Regency, Frequency, Monetary, Time, Churn Probability (RFMTC) merupakan modifikasi dari metode RFM yang digunakan untuk meramalkan perilaku pendonor darah untuk mendonorkan darahnya kembali atau tidak mendonor. untuk dapat mengklasifikasikan perilaku pendonor penelitian ini menggunakan metode Support Vector Machine (SVM). Kinerja SVM sangat bagus untuk tingkat klasifikasi dibandingkan dengan metode lain. Data yang digunakan dalam penelitian ini adalah 748 yang di bagi menjadi data latih dan data uji. Hasil akurasi penelitian ini mendapatkan akurasi terbaik berdasarkan rasio data 50%:50%, dengan menggunakan kernel linier dan nilai parameter Lambda (λ) = 2, Gamma (γ), = 0.5, Epsilon (ε) = 0.005, dan Complexity (C) = 20. Hasil dari akurasi metode SVM pada klasifikasi pendonor darah sebesar 72.64%.
English Abstract
Blood donation is a process of taking blood from a person voluntarily and then used for blood transfusions for patients in need. Blood from donors can not be used anymore after 42 days. The only way to meet the demand for blood bags are having regular blood donations from a healthy donor. In Indonesia 2013, there is a shortage of blood bags as many as 2,476,389, where the ideal of blood availability is 2.5% of the population. These problems required a system that can predict the behavior of donors in order to anticipate the shortage of blood bags. Regency, Frequency, Monetary, Time, Churn Probability (RFMTC) is a modification of the RFM method modified that used to predict the blood donor behavior to donate or not to donate bloods. The method that used for classifying the behavior of donors in this research are using Support Vector Machine (SVM) method. SVM performance for classification produce better results when compared to other methods. Data that was used in this research is 748 which is divided into training data and test data. The accuracy result of this research gtt best accuracy based on 50%: 50% data ratio, using linear kernel and parameter value λ (lambda) = 2, Gamma (γ), = 0.5, Epsilon (ε) = 0.005, and C (complexity) = 20. The result of SVM method accuracy on blood donor classification is 72.64%.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2018/173/051801160 |
| Uncontrolled Keywords: | Pendonor darah, Klasifikasi, Support Vector Machine (SVM), Kernel linier |
| Subjects: | 000 Computer science, information and general works > 006 Special computer methods > 006.4 Computer pattern recognition |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Yusuf Dwi N. |
| Date Deposited: | 28 May 2018 01:44 |
| Last Modified: | 26 Oct 2021 09:11 |
| URI: | http://repository.ub.ac.id/id/eprint/11122 |
Preview |
Text
BAB VII.pdf Download (450kB) | Preview |
Preview |
Text
Bagian Depan.pdf Download (1MB) | Preview |
Preview |
Text
BAB I.pdf Download (486kB) | Preview |
Preview |
Text
BAB II.pdf Download (672kB) | Preview |
Preview |
Text
BAB III.pdf Download (514kB) | Preview |
Preview |
Text
Daftar Pustaka.pdf Download (464kB) | Preview |
Preview |
Text
BAB V.pdf Download (1MB) | Preview |
Preview |
Text
BAB VI.pdf Download (850kB) | Preview |
Preview |
Text
BAB IV.pdf Download (1MB) | Preview |
Actions (login required)
 |
View Item |