KLASTERISASI PENDONOR BERDASARKAN USIA MENGGUNAKAN METODE FUZZY C-MEANS (STUDI KASUS: PMI KOTA CIREBON)
), Marsani Asfi(2), Petrus Sokibi(3),
(1) Universitas Catur Insan Cendekia
(2) Universitas Catur Insan Cendekia
(3) Universitas Catur Insan Cendekia
Corresponding Author
Abstract
Donor darah merupakan salah satu kegiatan penting dalam bidang kesehatan. Tujuan donor darah adalah untuk penggunaan darah bagi keperluan pengobatan dan pemulihan kesehatan yang mencakup masalah pengadaan, pengolahan, dan penyampaian darah kepada pasien. Sebelum melakukan donor darah, calon pendonor akan melewati pemeriksaan dengan ketentuan beberapa syarat. Tujuan adanya pengecekan ini adalah untuk memastikan bahwa calon pendonor dalam keadaan sehat dan mengidentifikasi faktor risiko yang dapat mempengaruhi keamanan dan kualitas darah. Selain itu, dalam penelitian ini berfokus pada salah satu syarat pendonor yaitu pada usia. Adanya penelitian ini bertujuan agar bertujuan agar mengetahui berapa banyak usia yang berhasil mendonorkan darah dengan minimal usia 17-64 tahun. Pengklasifikasian data dengan cara mengelompokan pendonor berhasil berdasarkan usia menggunakan Fuzzy C-Means. Fuzzy C-Means merupakan teknik pengelompokan data dimana keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan. Hasil yang diperoleh dari pengolahan fuzzy c-means akan di validasi kembali menggunakan Tools Rapidminer. Hasil yang diperoleh dari perhitungan menggunakan fuzzy c-means ialah penentuan klasifikasi usia yang terbagi menjadi 3 klaster yaitu klaster 1 muda, klaster 2 parobaya dan klaster 3 tua. Selanjutnya di visualisasikan menggunakan tools Rapidminer untuk memperoleh hasil yang lebih akurat. Hasil dari kedua proses tersebut di analisis serta di sinkronisasi pencocokan dan mendapatkan hasil bahwa klasifikasi usia terbagi menjadi 3 kalster yaitu klaster 1 muda dengan jumlah 1026 data, klaster 0 parobaya dengan jumlah 1029 data dan klaster 2 tua dengan jumlah 231 data.
Kata Kunci: Fuzzy C-Means, Donor Darah, Clustering
References
] Situmorang, P. R., Sihotang, W. Y., & Novitarum, L. (2020). Identifikasi faktor-faktor yang mempengaruhi kelayakan donor darah di STIKes Santa Elisabeth Medan Tahun 2019. Jurnal Analis Medika Biosains (JAMBS), 7(2), 122-129.
] Rahmadita, C. (2021). Sistem Penunjang Keputusan Prediksi Jumlah Permintaan Darah di Unit Donor Darah PMI Kabupaten Jember Menggunakan Metode Regresi Linier dan Double Exponetial Smoothing.
] Kemala, R. F., Astuti, I. F., & Maharani, S. (2019). Penerapan metode Fuzzy C-Means pada aplikasi simulasi TOEFL (test of English as a foreign language) berbasis web (studi kasus: fakultas MIPA Universitas Mulawarman). Jurnal Ilmiah Ilmu Komputer, 14(1), 17.
] Noordi, D. R. P., Prastowo, I. A., Putri, N. A., Ekovih, Z. A., & Hartanti, D. (2023, July). Penerapan Algoritma Fuzzy C-Means untuk Analisis Tingkat Pendidikan Sekolah Dasar di Karanganyar. In Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (pp. 12-18).
] Sanusi, W. (2018). Analisis Fuzzy C-Means dan Penerapannya Dalam Pengelompokan Kabupaten/Kota di Provinsi Sulawesi Selatan Berdasarkan Faktor-faktor Penyebab Gizi Buruk (Doctoral dissertation, FMIPA).
] Hafsari, R., & Nurcahyo, G. W. (2021). Penerapan Fuzzy C-Means Pada Teknologi Adopsi Usaha Mikro Kecil dan Menengah. Jurnal KomtekInfo, 8(3), 183-188.
] Astari, D. V., Sundari, S., & Lestari, Y. D. (2020). IMPLEMENTASI SEGMENTASI ALGORITMA FUZZY C MEANS PADA PRINTED KARAKTER CITRA DIGITAL. In SEMINAR NASIONAL TEKNOLOGI INFORMASI & KOMUNIKASI (Vol. 1, No. 1, pp. 456-465).
] Peraturan Menteri Kesehatan Republik Indonesia. (2015). Peraturan Menteri Kesehatan Republik Indonesia Nomor 91 tentang Standar Pelayanan Transfusi Darah.
] Oki Oktaviarna Tensao, I Nyoman Yudi Anggara Wijaya, and Ketut Queena Fredlina, “Analisa Data Mining dengan Algoritma K-Means Clustering Untuk Menentukan Strategi Promosi Mahasiswa Baru Pada STMIK Primakara,” INFORMASI (Jurnal Informatika dan Sistem Informasi), vol. 14, no. 1, pp. 1–17, 2022, doi: 10.37424/informasi.v14i1.135.
] M. Yamin Nurzaman and B. Nurina Sari, “Implementasi K-Means Clustering Dalam Pengelompokkan Banyaknya Jumlah Petani Berdasarkan Kecamatan Di Provinsi Jawa Barat,” Jurnal Teknik Informatika dan Sistem Informasi, vol. 10, no. September, pp. 131–144, 2023, [Online].Available: http://jurnal.mdp.ac.id
] Sanusi, W. (2018). Analisis Fuzzy C-Means dan Penerapannya Dalam Pengelompokan Kabupaten/Kota di Provinsi Sulawesi Selatan Berdasarkan Faktor-faktor Penyebab Gizi Buruk (Doctoral dissertation, FMIPA).
] Surbakti, N. K. (2021). Data Mining Pengelompokan Pasien Rawat Inap Peserta BPJS Menggunakan Metode Clustering (Studi Kasus: RSU. Bangkatan). Journal of Information and Technology, 1(2), 47-53.Sari, Y. R., Sudewa, A., Lestari, D. A., & Jaya, T. I. (2020). Penerapan Algoritma K-Means Untuk Clustering Data Kemiskinan Provinsi Banten Menggunakan Rapidminer. CESS (Journal Comput. Eng. Syst. Sci., vol. 5, no. 2, p. 192, 2020, doi: 10.24114/cess. v5i2. 18519.
] Novita, D., Sihotang, F. P., & Khairani, S. (2023). Pelatihan penggunaan Microsoft Excel untuk mengolah data bagi siswa/i SMK Bina Cipta Palembang. FORDICATE, 2(2), 109-118.
] Listyoningrum, K. I., Fenida, D. Y., & Hamidi, N. (2023). Inovasi Berkelanjutan dalam Bisnis: Manfaatkan Flowchart untuk Mengoptimalkan Nilai Limbah Perusahaan. Jurnal Informasi Pengabdian Masyarakat, 1(4), 100-112.
] Sari, Y. R., Sudewa, A., Lestari, D. A., & Jaya, T. I. (2020). Penerapan Algoritma K-Means Untuk Clustering Data Kemiskinan Provinsi Banten Menggunakan Rapidminer. CESS (Journal Comput. Eng. Syst. Sci., vol. 5, no. 2, p. 192, 2020, doi: 10.24114/cess. v5i2. 1851
] Wijaya, N. V., Asfi, M., & Septian, W. E. (2023). Sistem Informasi Geospasial Penerima Bantuan Sosial Disabilitas Menggunakan Klasterisasi Fuzzy K-Means. Journal of Practical Computer Science, 3(2), 59-68.
Article Metrics
Abstract View
: 46 timesPDF (Bahasa Indonesia)
Download : 24 times
DOI: 10.58486/jsr.v8i2.429
Refbacks
- There are currently no refbacks.
