PENERAPAN ALGORITMA C4.

5 UNTUK PREDIKSI
KELAYAKAN CALON PENDONOR DARAH DENGAN METODE
DECISION TREE ( Study Kasus : PMI Kab. Purwakarta )

PROPOSAL SKRIPSI

Diajukan Sebagai Salah Satu Syarat Penyusunan Skripsi

Pada Program Studi

`
Oleh :
ARIANTI JATI PURWASANTIKA
NIM: 191351116

PROGRAM STUDI TEKNIK INFORMATIKA

SEKOLAH TINGGI TEKNOLOGI WASTUKANCANA

PURWAKARTA

2023
 BAB I
PENDAHULUAN

1.1. Latar Belakang Masalah

Donor darah merupakan kegiatan kemanusiaan dimana seseorang dengan sukarela
menyumbangkan darahnya untuk disimpan di bank darah untuk kemudian digunakan
untuk transfusi darah. Menurut Departemen Kesehatan Republik Indonesia (Latif &
Silvi Purnia, 2019)

Unit Donor Darah PMI Kabupaten Purwakarta adalah bagian perusahaan atau
instansi yang melayani pendonoran darah. Setiap kantong darah yang diperoleh
didapatkan dari masyarakat dengan sukarela datang ke PMI, dan memiliki
persyaratan untuk menjadi pendonor darah yang harus dipenuhi agar bisa
mendonorkan darahnya.

Salah satu masalah utama yang dihadapi dalam sistem pelayanan kesehatan di
PMI Kabupaten Purwakarta adalah kurangnya persediaan darah aman yang memadai
untuk keperluan transfusi darah bagi yang membutuhkannya. Aman dan memadainya
persediaan darah dan produknya, bergantung pada dukungan dan komitmen
pemerintah terhadap pengembangan pelayanan transfusi darah nasional. Maka dari itu
diperlukan sebuah prediksi cepat untuk mengetahui kelayakan pendonor di
Kabupaten Purwakarta. Untuk menenentukan kelayakan pendonor di klarifikasi
secara cepat menggunakan prediksi berdasarkan kriteria paling berpengaruh dalam
menentukan kelayakan pendonor

Untuk memprediksi layak atau tidaknya pendonor, maka digunakan Algoritma

C4.5 berdasarkan : berat badan, usia, tekanan darah (sistol dan diastol), serta kadar
hemoglobin calon pendonor sebagai variabel pendukung. Algoritma C4.5 akan
menghasilkan pohon keputusan. Pohon keputusan atau decision tree adalah pohon
yang digunakan sebagai prosedur penalaran untuk mendapatkan jawaban dari
masalah yang dimasukkan. Sehingga dengan pohon keputusan, manusia bisa dengan
mudah diidentifikasi dan dilihat dari faktor-faktor yang mempengaruhi layak atau
tidaknya seorang calon pendonor. (Latif & Silvi Purnia, 2019) Pohon Keputusan atau
Decision Tree adalah salah satu metode klasifikasi yang kuat dan terkenal. Metode
Decision Tree mengubah fakta besar menjadi pohon keputusan yang mewakili aturan,
sehingga aturan tersebut dapat dengan mudah dipahami oleh manusia. Decision Tree
juga berfungsi untuk mengeksplorasi data, menemukan hubungan tersembunyi antara
sejumlah variabel input dan variabel tujuan. (Irawan, 2021)

Maka pada penelitian ini akan menerapkan Algoritma C4.5. Kriteria seseorang
apakah bisa mendonorkan darahnya atau tidak, berdasarkan usia, berat badan, kadar
hemoglobin (HB), dan tekanan darah (sistolik dan diastolik) yang dimilikinya sebagai
variabel pendukung. Berdasarkan dari permasalahan diatas, adapun laporan dari
penelitian ini berjudul “Penerapan Algoritma C4.5 Untuk Prediksi Kelayakan Calon
Pendonor Darah Dengan Metode Decision Tree ( Study Kasus : PMI Kabupaten
Purwakarta )

1.2. Rumusan Masalah

Rumusan masalah yang ditemukan berdasarkan latar belakang diatas yaitu
sebagai berikut : “Bagaimana penerapan Algoritma C4.5 Untuk Prediksi Kelayakan
Calon Pendonor Darah Dengan Metode Decision Tree Pada PMI Kabupaten
Purwakarta ?
1.3. Batasan Masalah
Dalam penelitian ini terdapat beberapa batasan masalah terkait sebagai berikut.
1. Penelitian ini menggunakan Algoritma C4.5.
2. Pengambilan data langsung dari PMI Kabupaten Purwakarta
3. Variabel yang digunakan adalah berat badan, usia, tekanan darah (sistol dan
diastol), serta kadar haemoglobin.
4. Output yang dihasilkan adalah klarifikasi kategori status donor darah.
5. Mengklarifikasikan data menjadi 2 kelas yaitu kelas boleh dan tidak boleh.
1.4. Tujuan Penelitian
Adapun tujuan dari penelitian ini untuk menentukan kelayakan calon pendonor
darah dengan metode Decision Tree Pada PMI Kabupaten Purwakarta.
1.5. Manfaat Penelitian
Adapun untuk manfaat dari penelitian ini adalah sebagai berikut :
1. Manfaat bagi PMI
Dapat mempercepat proses pendonoran darah dengan lebih efektif
2. Manfaat Bagi Peneliti
Penelitian ini sebagai bentuk wujud dari penerapan ilmu yang diperoleh di
Sekolah Tinggi Teknologi Wastukancana.

1.6. Sistematika Penulisan

Laporan penelitian ini terbagi dalam lima bab yang meliputi pendahuluan,
landasan teori, metodologi penelitian, hasil dan pembahasan, dan kesimpulan dan
saran. Berikut penjelasan kelima bab tersebut:
BAB I PENDAHULUAN
Bab ini menguraikan berbagai hal mengenai latar belakang, rumusan
masalah, tujuan penelitian, batasan masalah, manfaat penelitian dan
sistematika penulisan. Uraian bab ini dimaksudkan untuk menjelaskan
latar belakang penelitian sehingga dapat memberi masukan sesuai
dengan tujuan penelitian dengan batasan-batasan masalah yang ada.

BAB II TINJAUAN PUSTAKA

Bab ini berisi tentang referensi pustaka yang mendukung dan terkait
langsung dengan penelitian, yang diperoleh melalui buku, jurnal
penelitian maupun sumber literatur lain. Pada bab ini juga
dielaborasikan hasil-hasil penelitian terdahulu yang berkaitan dengan
masalah yang dikaji oleh penulis dalam penelitian.
BAB III METODOLOGI PENELITIAN
Bab ini berisi tentang langkah-langkah terstruktur dan sistematis yang
dilakukan dalam penelitian. Langkah-langkah (tahapan tersebut
 disajikan dalam bentuk diagram alir yang disertai dengan penjelasan
singkat.

BAB IV PENGOLAHAN DATA DAN PEMBAHASAN

Bab ini berisi tahapan-tahapan perancangan dengan menggunakan
metode rasional, uraian lengkap mengenai pembuatan aplikasi melalui
pengumpulan dan pengolahan data, pengumpulan dan pengolahan data
waktu siklus, serta analisis dan interpretasi hasil penelitian.
BAB V KESIMPULAN
Bab ini berisi tahapan-tahapan perancangan dengan menggunakan
metode rasional, uraian lengkap mengenai pembuatan aplikasi melalui
pengumpulan dan pengolahan data, serta analisis dan interpretasi hasil
penelitian.
 BAB II
TINJAUAN PUSTAKA

2.1. Algoritma C4.5

Algoritma C4.5 merupakan algoritma klasifikasi dengan teknik Decision tree
(pohon keputusan) yang terkenal dan disukai karena memiliki kelebihan- kelebihan.
Kelebihannya adalah dapat mengolah data numerik (kontinyu) dan diskret, dapat
menangani nilai atribut yang hilang, dapat menghasilkan aturan aturan yang mudah
diinterpretasikan dan tercepat diantara algoritma- algoritma yang lain. (Wahyono &
Nugroho, 2018)

2.2. Decision Tree

Decision tree adalah sebuah struktur yang dapat digunakan untuk membagi
kumpulan data yang besar menjadi himpunan-himpunan record yang lebih kecil
dengan menerapkan serangkaian aturan keputusan. Dengan masing-masing rangkaian
pembagian, anggota himpunan hasil menjadi mirip satu dengan yang lain. (Wahyono
& Nugroho, 2018)

2.3. Prediksi
Prediksi adalah suatu proses memperkirakan secara sistematis tentang sesuatu
yang paling mungkin terjadi di masa depan berdasarkan informasi masa lalu dan
sekarang yang dimiliki, agar kesalahannya (selisih antara sesuatu yang terjadi dengan
hasil perkiraan) dapat diperkecil. Prediksi tidak harus memberikan jawaban secara
pasti kejadian yang akan terjadi, melainkan berusaha untuk mencari jawaban sedekat
mungkin yang akan terjadi. (Kafil & Industri, 2019)
2.4. Donor Darah
Donor darah merupakan kegiatan kemanusiaan dimana seseorang dengan
sukarela menyumbangkan darahnya untuk disimpan di bank darah untuk kemudian
digunakan untuk transfusi darah. Menurut Departemen Kesehatan Republik Indonesia
dalam. Donor darah adalah proses menyalurkan darah atau unsur-unsur darah dari
satu orang ke sistem peredaran orang lainnya. Banyak orang yang tidak tahu tentang
manfaat donor darah bagi kesehatan. Padahal dengan melakukan donor darah, maka
sel-sel darah di dalam tubuh menjadi lebih cepat terganti dengan yang baru.(Latif &
Silvi Purnia, 2019)

2.5. Data Mining

Data mining merupakan serangkaian proses untuk menggali nilai tambah
berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis data.
Data mining mulai ada sejak 1990-an sebagai cara yang benar dan tepat untuk
mengambil pola dan informasi yang digunakan untuk menemukan hubungan antara
data untuk melakukan pengelompokkan ke dalam satu atau lebih cluster sehingga
objek-objek yang berada dalam satu cluster akan mempunyai kesamaan yang tinggi
antara satu dengan lainnya. Data mining merupakan bagian dari proses penemuan
pengetahuan dari basis data Knowledge Discovery in Databases (Tarigan et al., 2022)

Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat
dilakukan (Rosmini et al., 2018), yaitu:

1. Deskripsi
Para peneliti dan analisis biasanya mencoba menemukan cara untuk
menggambarkan pola dan trend yang tersembunyi dalam data.
2. Estimasi
Estimasi memiliki kemiripan dengan klasifikasi, kecuali variabel target
estimasi lebih kearah numerik daripada kearah kategori. Model dibangun
menggunakan record lengkap yang menyediakan nilai dari variabel target
sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai
dari variabel target dibuat berdasarkan nilai variabel prediksi.
 3. Prediksi
Prediksi memiliki kemiripan dengan klasifikasi dan estimasi, kecuali bahwa
dalam prediksi nilai dari hasil akan ada di masa yang akan datang. Beberapa
algoritma dan teknik yang digunakan dalam klasifikasi dan estimasi dapat
pula digunakan (untuk keadaan yang tepat) untuk prediksi.
4. Klarifikasi
Dalam klasifikasi variabel, tujuan bersifat kategorik. Sebagai contoh
pengklasifikasian persediaan dalam tiga kelas, yaitu persediaan tinggi,
persediaan sedang dan persediaan rendah.
5. Clustering
Clustering merupakan teknik pengelompokan record data, pengamatan atau
kasus dalam kelas yang memiliki kemiripan. Cluster adalah kumpulan record
yang memiliki kemiripan satu dengan yang lainnya dan memiliki
ketidakmiripan dengan record lain dalam cluster.
6. Asosiasi
Mengidentifikasi hubungan antara berbagai peristiwa yang terjadi pada satu
waktu. Dalam dunia bisnis lebih umum disebut sebagai analisis keranjang
belanja.

2.6. Rapidminer
RapidMiner merupakan perangakat lunak yang bersifat terbuka (open source).
RapidMiner adalah sebuah solusi untuk melakukan analisis terhadap data mining, text
mining dan analisis prediksi. RapidMiner menggunakan berbagai teknik deskriptif
dan prediksi dalam memberikan wawasan kepada pengguna sehingga dapat membuat
keputusan yang paling baik. RapidMiner memiliki kurang lebih 500 operator data
mining, termasuk operator untuk input, output, data preprocessing dan visualisasi.
RapidMiner ditulis dengan menggunakan bahasa java sehingga dapat bekerja di
semua sistem operasi. (Manullang et al., 2021)