KLASIFIKASI CALON PENDONOR DARAH

DENGAN METODE NAIVE BAYES CLASIFIER

Sukma Nur Fais A, Muhammad Aditya D*, Satria Mulya I,
Donny Ramadien, Askia Sani
Informatika, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya,
Malang, 65418, Indonesia
*)E-mail: adit32tif@gmail.com

Abstrak
Untuk mempermudah kinerja PMI dalam mengklasifikasikan calon pendonor darah
apakah termasuk ke dalam kelas pendonor ataupun kelas non pendonor maka kami
membuat inovasi yaitu dengan membuat aplikasi klasifikasi calon pendonor darah
dengan metode Klasifikasi Naive Bayes berbasis pemrograman PHP. Dengan cara
komputerisasi inilah diharapkan dapat membantu kinerja PMI agar lebih cepat dan
tepat dalam mengklasifikasikan calon pendonor darah. Penggunaan metode nave bayes
sebagai metode utama dalam pengklasifikasian karena metode ini merupakan
pengklasifikasi paling sederhana dari model pengklasifikasian dengan peluang.
Terdapat dua jenis atribut data set yaitu kontinu dan diskrit. Kedua jenis data ini lah
yang nantinya kami gunakan dalam menentukan peluang dengan menggunakan metode
Klasifikasi Naive Bayes.

Kata Kunci: klasifikasi naive bayes, kontinu, diskrit

Abstract
To facilitate the performance of PMI in classifying prospective blood donors are
included in the class donors or non-donors classes we create innovation is to make an
application to the classification of prospective blood donors Clasifier Naive Bayes
method based PHP programming. By way of computerization is expected to help the
performance of the PMI to be faster and more accurate in classifying the prospective
blood donors. The use of nave bayes method as the main method of classification as it
is the simplest classifiers of classification models by chance. There are two types of
attribute data set that continues and discrete. Both types of data is the one which we will
use in determining the chances of using the Naive Bayes Clasifier.

Keywords: nave bayes clasifier, continues, discrete.

Classifier untuk menentukan peluang

1. PENDAHULUAN
Donor darah merupakan proses
pengambilan

darah

dari

kemungkinan besar seseorang dapat

seseorang

mendonorkan darah.

secara sukarela untuk disimpan di bank

Terlepas dari desain yang naif dan

darah untuk kemudian dipakai pada

asumsi yang tampak disederhanakan,

transfusi

pengklasifikasian naive bayes telah

darah

bagi

pasien

yang

membutuhkan.[1]
Untuk

bekerja cukup baik di banyak situasi

dapat

menyumbangkan

yang kompleks yang ada di dunia nyata.

darah, seorang donor darah harus

Pada tahun 2004, analisis masalah

memenuhi syarat sebagai berikut [2]:

klasifikasi bayesian telah menunjukkan

1. calon donor harus berusia 18-60

bahwa ada beberapa alasan teoritis

tahun,

keberhasilan yang tampaknya tidak

2. berat badan minimal 45 kg

masuk akal dari pengklasifikasian naif

3. kadar hemoglobin >12,5 gr %

bayes [3].

4. tensi atas 100-150 (sistole)

Metode

5. tensi bawah 70-100 (diastole).

metode yang digunakan memprediksi

6. tidak pernah memiliki penyakit

probabilitas.

menular.

Naive

Bayes

merupakan

Sedangkan

klasifikasi

Bayes adalah klasifikasi statistik yang

7. interval dibolehkan donor kembali

dapat memprediksi kelas suatu anggota

selama 3 bulan.

probabilitas. Untuk klasifikasi Bayes

Selama ini PMI (Palang Merah

sederhana yang lebih dikenal sebagai

Indonesia) masih menggunakan metode

nave

yang manual

dalam penentuan calon

diasumsikan bahwa efek dari suatu nilai

pendonor darah. Oleh karena itu kami

atribut sebuah kelas yang diberikan

menawarkan sebuah inovasi dengan

adalah bebas dari atribut-atribut lain.

menggunakan aplikasi berbasis PHP

Nave

dengan menggunakan metode Naive

sebuah metoda klasifikasi yang berakar

Bayes

menentukan

pada teorema Bayes. Ciri utama dari

seorang calon pendonor termasuk kelas

Nave Bayes Classifier ini adalah

pendonor atau non pendonor.

asumsi yang sangat kuat (naif) akan

Clasifier

untuk

Bayesian

Bayes

independensi

Classifier

Classifier

dari

dapat

merupakan

masing-masing

2. METODE PENELITIAN

kondisi/kejadian[4],dimana diasumsikan

Dalam pembuatan aplikasi ini, kita

bahwa setiap atribut

menggunakan

sampel) bersifat saling lepas satu sama

teknik

Nave

Bayes

contoh (data

lain berdasarkan atribut kelas. Naive

untuk

bayes categorial adalah naive bayes

persamaan.

dengan data static berupa kategori atau

Mean() merupakan

merupakan data pasti, sehingga dalam

diperoleh dari atribute yang memiliki

pengerjaannya sudah didapatkan hasil

data continue.

yang pasti juga. Naive bayes merupakan

Dengan rumus sebagai berikut:

metode dengan rumus dasar bayesian,

atribut

Xi

Mean

Pada teorema Bayes, bila terdapat dua

kejadian yangterpisah (misalkan A dan

n
i 1

dinyatakan

rata-rata

yang

xi

B), maka teorema Bayes dirumuskan

(pers 2)

sebagai berikut:

P A | B

pada

Sedangkan untuk parameter kedua yaitu

variansi (2) didapat dari rumus sebagaii

P B | A P A
P B

berikut:
(pers 1)

2
Dimana probabilitas dari A dengan

1
2
n

i n xi
n 1

ketentuan B didapat dari probabilitas

(pers3)

data B terhadap A dikali kemudian

Dari parameter-parameter yang sudah

dibagi peluang B.

kita temukan akan didapat fungsi

Untuk memperkirakan parameter pada

densitas mengekspresikan probabilitas

distribusi fitur ini, seseorang harus

relatif. fungsi densitas probabilitasnya

mengasumsikan

adalah sebagai berikut:

menghasilkan

distribusi
model

atau

nonparametrik

, x

untuk fitur dari training data set [5].

Jika berhadapan dengan atribut bertipe

1
2 2

x 2
2 2

data kontinu, sebuah asumsi yang khas

(pers 4)

adalah bahwa nilai-nilai terus menerus

Sedangkan untuk atribut yang bertipe

berhubungan dengan kelasnya masing-

discrete dengan mencari masing-masing

masing yang didistribusikan menurut

likelihood

metode distribusi Gaussian. Distribusi

pendonor dan non pendonor. Dan hasil

ini dikarakterisasi dengan dua parameter

keseluruhannya dikalikan dengan prior

yaitu mean (), dan variansi( ), untuk

suatu

fitur

dari

kelas

nya masing-masing dari setiap kelas.

setiap kelas yj, peluang kelas bersyarat

3. PEMBAHASAN

Kami

Untuk pengujian klasifikasi naive bayes

pemrograman php dalam pembuatan

dengan data kontinyu dan data discrete

aplikasi ini. Yang ditampilkan seperti

yaitu

gambar berikut

dilakukan

percobaan

dengan

mengggunakan

bahasa

menggunakan data dari pendonor dan

non pendonor. Contoh data yang kami
gunakan dalam melakukan percobaan ,
dijabarkan pada tabel dibawah ini :
Data Training
Pendonor

Non
Pendonor

200

Data Testing
Pendonor

150

Non
Pendonor

25

25
Gambar 1.

Tabel 1. Jumlah
data
training
datatesting Percobaan 4

dan

Tampilan

Interface

Aplikasi

Klasifikasi Donor Darah.

Pada percobaan keempat kami

melakukan pengujian terhadap 350 data
training yang terdiri dari 250 data
pendonor dan 150 data non pendonor.
Diuji dengan 50 buah data testing.
Dengan rincian 25 pendonor dan 25 non
pendonor. Untuk menentukan seseorang
Gambar 2.

calon pendonor masuk kelas pendonor

Contoh menginputkan data

testing ke dalam program.

atau kelas non pendonor. Kemudian 8

fitur yang nantinya akan digunakan
adalah sebagai berikut :
1. HB
2. Tensi atas
3. Tensi bawah
4. Berat badan
5. Umur
6. Jenis Kelamin

Gambar 3. Contoh hasil program

7. Riwayat Penyakit Menular

Ketika

8. Interval Donor

telah

diproses

menunjukan

bahwa hasil percobaan tersebut adalah

boleh donor dan termasuk kedalam

ini adalah dengan hasil Prosentase

kelas Pendonor.

keakuratan:

4. SIMPULAN

keakuratan

Penggunaan
clasifier

metode
dalam

naive

bayes

296
100 %
4
74 %
Akurasi atau ketepatan program yang

pengklasifikasian

pendonor dan non pendonor merupakan

langkah

yang

paling

efektif

dan

produktif dalam proses pembelajaran

telah kami buat dengan penggunaan

pada sebuah program. Dikarenakan

metode

dapat mempermudah dalam penentuan

calon
dengan

pendonor
cara

memperhatikan

karena

dengan

syarat-syarat

dalam

bahwa program klasifikasi donor yang

kami

buat

sangat

Data
Testing Prosentase

gunakan.

DAFTAR PUSTAKA

75

bergantung dan

terpengaruh oleh data set yang kami

Data
Training
N

mengalami

demikian kami mengambil kesimpulan,

melakukan 4 kali percobaan :

bayes

training yang kami gunakan. Dengan

melakukan donor darah. Kami telah

Percobaan

naive

perbedaan di setiap perubahan data

dikerjakan

komputerisasi

84 58 78 76
100 %
4

100 25 25

[1] Rhesus

84%

Negatif

Indonesia.

DONOR DARAH (SYARAT &

2

125 100 25 25

58%

125 125 25 25

78%

KEUNTUNGAN),
Januari

Senin

2012,

16
URL:

http://rhesusnegatif.com/article_det
4

200 150 25 25

76%

ail.php?id=50,

Diakses

pada

tanggal 10 November 2012

Tabel 2.

Jumlah Data Training dan Data

Testing 4 kali percobaan

[2] Widjaya

Dinyar

Supiadi

.Transfusi & Bank Darah , URL:

Keterangan :

http://xa.yimg.com/kq/groups/2161

P = Pendonor

2083/1478830814/name/Transfusi+

N = Non Pendonor

Darah+FK+Unjani+(Dinyar+S,+dr,
+SpPK).pdf Diakses pada tanggal

Dimana hasil prosentase akhir dari

10 November 2012.

keakuratan dari keberhasilan program

[3] Zhang Harry.The Optimality of

Naive Bayes.FLAIRS2004, URL:

http://www.cs.unb.ca/profs/hzhang/
publications/FLAIRS04ZhangH.pd
f Diakses pada tanggal 10
November 2012.
[4] Natalius Samuel. Metode Naive
Bayes Classifier dan Penggunaanya
pada Klasifikasi Dokumen. April
2010,URL:http://xa.yimg.com/.../Tr
ansfusi+Darah+FK+Unjani+(Dinya
r+S,+dr,+SpPK)hProbstat2010017.pdf Diakses pada tanggal 10
November 2012.
[5] George H. John and Pat Langley
(1995).

Estimating

Distributions
Classifiers.
Eleventh

Continuous

in

Bayesian

Proceedings

of

Conference

Uncertainty

in

the
on

Artificial

Intelligence. pp. 338-345. Morgan

Kaufmann,

San

Mateo,

URL:

http://www.cs.iastate.edu/~jtian/cs5
73/Papers/John-UAI-95.pdf
Diakses pada tanggal 13November
2012.