KLASIFIKASI CALON PENDONOR DARAH MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER (STUDI KASUS : Calon Pendonor Darah di Kota Semarang) - Diponegoro University | Institutional Repository (UNDIP-IR)

KLASIFIKASI CALON PENDONOR DARAH

MENGGUNAKAN METODE

NAÏVE BAYES

CLASSIFIER

(STUDI KASUS : Calon Pendonor Darah di Kota Semarang)

SKRIPSI

Disusun Oleh :

DHIMAS BAYUSUSETYO

NIM. 24010212130081

DEPARTEMEN STATISTIKA

FAKULTAS SAINS DAN MATEMATIKA

UNIVERSITAS DIPONEGORO

SEMARANG

i

KLASIFIKASI CALON PENDONOR DARAH

MENGGUNAKAN METODE

NAÏVE BAYES

CLASSIFIER

(STUDI KASUS : Calon Pendonor Darah di Kota Semarang)

Disusun Oleh :

DHIMAS BAYUSUSETYO

NIM. 24010212130081

Tugas Akhir sebagai salah satu syarat untuk memperoleh

gelar Sarjana Sains pada Departemen Statistika

DEPARTEMEN STATISTIKA

FAKULTAS SAINS DAN MATEMATIKA

UNIVERSITAS DIPONEGORO

SEMARANG

ii

Judul

: Klasifikasi Calon Pendonor Darah Menggunkan Metode

Naïve

Bayes Classifier

(Studi Kasus: Calon Pendonor Darah di Kota Semarang)

Nama

: DhimasBayususetyo

NIM

: 24010212130081

Departemen : Statistika

Telah diujikan pada sidang Tugas Akhir tanggal 27 Maret 2017 dan dinyatakan

lulus pada tanggal 27 Maret 2017.

Semarang, 30 Maret 2017

Mengetahui,

Ketua Departemen Statistika

Fakultas Sains dan Matematika Undip

Dr. Tarno, M.Si.

NIP. 196307061991021001

Panitia Penguji Ujian Tugas Akhir

Ketua,

:

C

! "

D

" #$!%% $!&!

Naïve

Bayes Classifier

(

'& (

C

! "

D

"# & ' ! ) "%

)

*)

: D

# ) + , ! & ,

* -$

: 24010212130081

D

! ."&! ) !

:

'&& &

/! # 0 . %/%

A

# "& %%

27

$ "! &

2017.

' ! )"%

, 30

$ "! &

2017

! )

bim

bing

--D

"

.

/"1$2'

.

*-

. 196307061991021001

!)

bim

bing

iv

456 5789:596 5;

Puji Syukur penulis ucapkan kehadirat Allah SWT yang telah memberikan

rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan penulisan Tugas

Akhir dengan judul Klasifikasi Calon Pendonor Darah Menggunakan Metode

Naive Bayes Classifier

(Studi Kasus: Calon Pendonor Darah di Kota Semarang .

Begitu banyak pihak yang telah membantu, oleh karena itu rasa hormat dan terima

kasih penulis ingin sampaikan kepada:

1. Bapak Dr. Tarno, M.Si. selaku Ketua Departemen Statistika Fakultas Sains

dan Matematika Universitas Diponegoro sekaligus dosen pembimbing II.

2. Bapak Dr. Rukun Santoso, M.Si. selaku dosen pembimbing I.

3. Bapak dan Ibu dosen Departemen Statistika Fakultas Sains dan Matematika

Universitas Diponegoro yang telah memberikan ilmu selama proses belajar

di Departemen Statistika Fakultas Sains dan Matematika Universitas

Diponegoro.

4. Semua pihak yang tidak dapat disebutkan satu per satu yang telah membantu

penulis dalam penulisan Tugas Akhir ini.

Penulis menyadari bahwa penulisan Tugas Akhir ini masih jauh dari

sempurna. Oleh karena itu, kritik dan saran yang membangun sangat penulis

harapkan demi perbaikan dalam kesempatan berikutnya.

Semarang, 29 Maret 2017

K

CDE FGFHDE F D ID CD J KLMENE K NOP DLFDO ENHQRKQ CDO R MINC DSDQ GQO TE F UD O T

R NOTTDRVDLHDO IDO R NRVNIDHDO H NC DE IDS D INOTDO SQWQDO D TDL RMINC SNLE NVQS IDKDS IFK NL TQO DHDO QOS QH R NR KLNIFHE F H NCDE IDL F EQDS Q MV WNH UD O T VNCQR IFH NS D JQ F H NCDE OUDX

A

ID VNVNL DKD RNSMI N UD O T SNLR DE QH ID CDR R NS MIN H CDEFG FHDEFY E D CD J EDS QO UD D ID CD J Z[\]

v

B

[ ^]_ X Z[\]

v

B

[ ^]_ RNLQKDH DO S NHO FH KL NIFHEF VNLVDE FE KLMVDVF CFESFH E NINLJDOD UD O T VNL IDED L KD ID KNO NLDKDO SNMLNR D

B

[ ^]_ INO TDO DE QREF FO INK NO INOEF UDO T HQ DSX `D ID K NONC FSFDO FO F IF CDHQHDO

K NLVD FHDOS NL JD IDKR NS MIN Z[\

v

]

B

[ ^]_ ID CDRRNOTJFS QO TK NCQ DO TVNLEUDLDSIDL F ENSFDK GFSQLOUD RNO TTQO DHDO IQD

K NO INH DS DOY

UD FS Q K NO INHDS DO GQO TE F INOE FS DE O MLRD C IDO K NO INH DSDO ENCF EFJ K NCQDOT HQR Q CDS FGX

K

NIQD K NO INHDS DO S NLE NVQS IFTQODH DO QOS QH RNCDHQ HDO H CDE FG FHDEF PD C MOKNOIMO ML IDL D J IF

K

MSD aNR DLDO TX

Variabel prediktor yang digunakan adalah kadar hemoglobin, tensi atas, tensi

bawah, dan berat badan. Hasil dari penelitian ini menunjukan bahwa kedua

pendekatan tersebut sama baiknya dalam melakukan klasifikasi dengan nilai

Matthews Correlation Coefficient

(MCC) sebesar 0,8985841 atau mendekati +1.

ABSTRACT

hijk kg lg mjng op gk n qr stomr k k o l lgp ug p v j wo ur i ot lxpmng op n qjn urk mtgyr k jp u ug kn gpvxg kqr k ujn j mij kkrk ot mop mrsnkz lot nqr sxtso kr o l yrg p v j yir n o xkr n qr wo ur i n o str ug mn nqr mij kk o l o y{r mn k |qo kr mijk k ij yr i g k xp }po |p~ qrtr j tr ko wr wrn qo uk nqjn j tr gp mi xur u gp n qr mij kkglgmjn gop wrnqo ukz opr ol n qr w g k €‚

v

ƒ

B

„ ƒ…

.

€‚

v

ƒ

B

„ƒ … g kjst rugmng opnr mqpg †xrn qjnyj k r ukgws irsto yjygigkn g m jtr yj k r u op nqr jss i g mjng op o l ‡jˆrk nqrot r w |gn q kn topv g p ursr p urp mr j kk xwsng op~ ‰p n qg k kn xuˆ mjttgr u o xn mottr mng o p n o nqr € ‚

v

ƒ

B

„ ƒ… w rn qo u gp mj imxijn gp v n qr mop ugn gopj i sto yjygig nˆ ol rj mq lrjnxtr xkg pv n |o jss toj mqr kz pot wj i urp kg nˆ lxp mn gop jp u mxw xijng fr ugkn tgyxngop lxp mng op jssto j mqrk~ qr kr n |o jsstoj mq r k jt r xkr u no mij k kg lˆ sto ks rmn gfr yioo u uopot k gp Šr wjtjpv hg nˆ

.

qr str ugmn ot fj tgj yir k xkr u jt r qr wo vio ygp irf r i

,

xssrt yioo u str k kxtr

,

io |rt yioo u str k kxtr

,

jp u | rgvqn

.

qr t r kxin o l n qg k kn xuˆ kqo | k nqjn yonq jss toj mqrk qjfr nqr kj wr

Matthews Correlation Coefficient

(

‹hh

)

fj i xrkz

0,8985841

ot mio krnoŒ

1.

nwrjp kn qjnyon qjsstoj mq r kr †xj iiˆ|r i iuogpvmi jk kg lg mjng op~

KŽyw

ds

_:

hij kkg lgmjn gopz ‘j

ïve Bayes, Normal Density Function, Cumulative

x

4

t

s

t

4

4

t

s

4

4

!"#

s t-t

st

$ %

4

4

& !"#

s t-t

st

' (

t

s

44

4

) !"#

s t-t

st

'

w

*

45

4

+ !"#

s t-t

st

t

4

&

4

,

t

4

)

4

' - $ . $

4

+

4

/

s

0 $ 1 234

v

536

s

4

+

4

0 $1 234

v

5 36

s

/

t

7

t

s

8 $

5

4

0 $1 234

v

5 36

s

/

t

9 $ *

/ $ 0 $

t

1

5

)

4

0

t

:

t

0 $ 1

(- / ;8 '/

5

0 : $ +

5

9 +

7 (<'(=/ 9' (0( &,

H

IJIKIL

|}~}}€ }‚}ƒ„…

(

)

†~‡}ˆ‰ s~}Š}‹Š}€Œ‚ ƒ}Ž}Ž ss€ ƒ} ~„Ž}€‘…… „’ }‚}ƒ‘…

( = )

~‡}ˆŽ}ƒ}‹Š}€ŒŽ s}ƒˆ s ƒŽ €Œ}€

= 2

………………… „“ }‚}ƒ”… •‡ƒ}–€Ž —}}€˜‡€Œˆ s™€ˆs }ˆ……………… ‘„ }‚}ƒ’… •‡ƒ}–€Ž —}}€š~sˆ s‹–~‡}€Œ›œƒ } ~ ………………… ‘‘ }‚}ƒ“… ™s}Œ}ƒ} ~sƒ• ~}ˆsžs—}ˆˆs

Ÿ ¡¢£

B

 ¤£ ¥

²³´³µ³¶ ·³µ ¸§¹³¶º» ¼³½³¾³ ´¿¶À Á¶ ¿¶¿ ¹¼³¹³ÃÄ¿½³ÅÁµ ³ ¹³¶ ÆºÇ ÈÉ ÊÅÁ¸½Áµ ËÁ ¹

É̺ǻ»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»» ÊÍ ·³µ ¸§¹³¶É» Πϧ

We

Ð

c

ÑÒÓÔ

-

Ô

e

Ó ÔÕ¶½ÕÖÅÁ½§³¸×§½Õ¹»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»» ÊØ ·³µ ¸§¹³¶Í» ¼³½³·³½§Ã³¶¼ ³½³Îϧ¾³ ´¿¶À Á¶ ¿¶¿ ¹¼³ ¹³ÃÕ¶½ÕÖÀ ¹¿ÙÁÙ

Ä´³Ù§Ú§Ö³Ù§»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»» ÊÇ ·³µ ¸§¹³¶

Ø»

²³Ù§´Ä ´³Ù§Ú§Ö³Ù§ÛÁ¶ ÆÆ Õ¶³Ö³¶ÛÁ½ ¿ ÂÁÜ

a

Ý Þ

e

ßà á

e

ÓÂÁ¶ Ƴ¶

À Á¶ ÂÁÖ³½ ³¶× Õ¶ÆÙ§¼ Á¶Ù§½ ³Ù »»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»» âÌ ·³µ ¸§¹³¶ã» ²³Ù§´Ä ´³Ù§Ú§Ö³Ù§ÛÁ¶ ÆÆ Õ¶³Ö³¶ÛÁ½ ¿ ÂÁÜ

a

Ý Þ

e

ßà á

e

ÓÂÁ¶ Ƴ¶

À Á¶ ÂÁÖ³½ ³¶ÅÁ´§Ù§ÃÀ Á´ Õ³¶ÆÄÕµ Õ´³½§Ú»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»» âÍ ·³µ ¸§¹³¶Ç» ŧ¶½ ³ÖÙÄ ´³Ù§Ú§Ö³Ù§ÛÁ¶ÆÆÕ¶³Ö ³¶ÛÁ½ ¿ ÂÁä³

ïve Bayes dengan

Pendekatan Fungsi Densitas ... 86

Lampiran 7. Sintaks Klasifikasi Menggunakan Metode Naïve Bayes dengan

‘ ’“ ”“ •–“ —“ ˜™š›“ —œ• —”“— —•“• ž ™Ÿ ™˜“Ÿ“ — –   œ™  ž “¡ •¢•ž“¡ • œ“Ÿ “ £“   — ˜™—œ  — š œ“š“ ¤ – ™—””¥—“ž“— –™Ÿ   œ™ ¦§¨

v

© ª§

y

©

s

œ™—”“ — ˜™—œ ™ž“Ÿ“ — ¢¥ —”¡•œ™—¡•Ÿ “¡—  š– “ œ“ —¡™•¡•¤˜™¥“ —”ž¥–¥ “Ÿ • ¢«

¬­® ¯°±° ²° ³´° ²° µ°¶

·™š– “¡ “ “¤“ — ˜“œ“Ÿ¥”“¡ “ž¤ •š • —•œ•›“Ÿ“¡• ¥ —Ÿ¥ž£“   — ˜™—œ  — š œ“š “¤ œ• ¸ Ÿ“ ¹™– “š“ —” º“—”–™ —œ“¢Ÿ “šž “ — œ•š • ž ™ ·» ¼ ½¾¿À

le

Á ÂÀ Ã

.

·™—”  “¤“ —Ÿ™š¡ ™›¥Ÿ œ•›™š•ž“ —›“Ÿ “¡“ —–“¡ “ “ ¤˜“ œ“˜ ™– ›“¤“¡ “—Ÿ™—Ÿ“—”˜ ™š ›“ —œ•—”“ — —•“ •ž ™Ÿ ™˜“Ÿ“ — –  œ™ž “¡•¢•ž“¡•– ™—””¥ —“ž“ —– ™Ÿ   œ ™¦

aï

Ä

e

ª§

ye

Ŝ™—”“ —œ¥ “˜™—œ ™ž“Ÿ“—º“•Ÿ¥ ¢¥ —”¡•œ™—¡•Ÿ “¡—  š– “ œ“ —¡™•¡•¤˜™¥“ —”ž¥–¥ “Ÿ • ¢

.

¬­Æ ÇÈ

juan Penelitian