<![CDATA[Ketersediaan darah yang aman merupakan komponen krusial dalam pelayanan kesehatan. Proses penentuan kelayakan donor darah secara manual di Unit Transfusi Darah (UTD) masih bergantung pada penelitian subjektif dan pemeriksana fisiologis sederhana yang rentan terhadap kesalahan manusia. Pendekatan berbasis Machine Learning (ML) dapatn menstandarkan dan mengobjektifkan proses ini. Peneitian ini bertujuan mengevaliasi kinerja algoritma ML dalam memprediksikan kelayakan donor berdasarkan dataset simulasi. Tiga model klasifikasi yaitu, Decision Tree (DT), Random Forest (RF), dan Logistic Regression (LR) dilatih menggunakan dataset sintetis yang terdiri dari 2.000 data calon donor yang mencakup parameter fisiologis dan riwayat kesehatan. Hasil evaluasi menunjukkan bahwa model Random Forest mencapai performa 92%, diikuti Decision Tree 87%, dan Logistic Regression 83%. Analisis feature importance menegaskan bahwa kadar hemoglobin, riwayat penyakit, dan status penggunaan obat adalah variabel paling dominan yang mempengaruhi kelayakn donor. Hal ini sesuai dengan pedoman skrining dari WHO dan PMI. Temuan ini memberikan bukti konsep bahwa sistem berbasis ML dapat menjadi decision support system yang efisien dan akurat untuk mendukung proses skrining awal di UTD. Penggunaan data simulasi berhasil memitigasi kendala etika dan privasi data riil, sekaligus membuka jalan bagi penelitian lanjutan menggunakan data lapangan.]]>
Copyrights © 2025
