Analisis perbandingan Algoritma Support Vector Machine, Naive Bayes dan Regresi Logistik untuk Memprediksi Donor Darah

Suplai dan stok darah sangat dibutuhkan di saat genting. Satu-satunya cara untuk memenuhi ketersediaan darah adalah sumbangan rutin dari sukarelawan yang sehat. Tujuan dari penelitian ini adalah untuk mengembangkan dan mengevaluasi algoritma machine learning untuk memprediksi seorang sukarelawan akan berdonor atau tidak. Algoritma machine learning yang digunakan adalah Naïve Bayes, Regresi Logistik dan Support Vector Machine (SVM). Penelitian ini juga menerapkan proses normalisasi data dengan Z-score untuk menstandarkan skala dataset. Adapun dataset bersumber dari Layanan Transfusi Darah Kota Hsin-Chu, Taiwan yang tersimpan di UCI repository. Metode evaluasi yang digunakan ialah akurasi, precision, recall dan F-1 score. Hasil penelitian dengan algoritma Naïve Bayes 89.90%, Regresi Logistik 82.59% dan SVM  94.79%. Proses normalisasi menggunakan metode Z-Score berkontribusi positif dalam meningkatkan performansi model klasifikasi. Berdasarkan performansi tersebut memberikan hasil prediksi bagi sukarelawan yang akan kembali mendonor darah untuk memberikan cadangan darah bagi yang membutuhkan.