Pengembangan Model Prediksi Permintaan Darah menggunakan Model Random Forest dan Gradient Boosting (Studi Kasus PMI Kabupaten Tangerang)

Margareta Veronica, Mella (2025) Pengembangan Model Prediksi Permintaan Darah menggunakan Model Random Forest dan Gradient Boosting (Studi Kasus PMI Kabupaten Tangerang). Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (563kB)
	PDF BAB_I.pdf Download (422kB)
	PDF BAB_II.pdf Download (559kB)
	PDF BAB_III.pdf Download (649kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (329kB)
	PDF DAFTAR_PUSTAKA.pdf Download (330kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (745kB)

Abstract

Tren peningkatan permintaan darah di Indonesia tak terlepas dari laju pertumbuhan penduduk serta semakin kompleksnya layanan kesehatan yang tersedia saat ini. Di sisi lain, sistem pengelolaan stok darah seperti Sidoni yang dimanfaatkan UTD PMI Kabupaten Tangerang masih mengandalkan pendekatan reaktif. Ketika terjadi ketidakseimbangan antara pasokan dan kebutuhan darah, hal ini berpotensi menimbulkan risiko serius dalam layanan medis, khususnya pada kondisi gawat darurat. Melihat permasalahan tersebut, kajian ini berupaya mengembangkan pendekatan prediktif berbasis data untuk mengoptimalkan manajemen stok darah, dengan mempertimbangkan pola fluktuasi permintaan darah, baik yang bersifat musiman maupun tahunan. Penelitian ini mengadopsi framework CRISP-DM sebagai landasan metodologis, dengan fokus pada pengembangan model prediksi menggunakan tiga algoritma, yaitu Random Forest, Gradient Boosting, serta model hybrid yang menggabungkan keunggulan kedua algoritma tersebut. Data historis selama kurun waktu 2021-2024 diolah melalui rangkaian proses yang mencakup preprocessing, feature engineering, serta transformasi siklik untuk mengidentifikasi pola temporal. Untuk menilai keandalan model, digunakan beberapa metrik evaluasi standar seperti MAE, RMSE, dan nilai R² yang mencerminkan tingkat akurasi dan konsistensi model yang dikembangkan. Melalui analisis komparatif, ditemukan bahwa model Random Forest memperlihatkan performa terbaik dengan nilai MAE sebesar 13,37, RMSE 50,27, dan R² mencapai 0,968. Sementara itu, model Hybrid dan Gradient Boosting menunjukkan akurasi yang relatif lebih rendah. Temuan ini menegaskan bahwa algoritma Random Forest paling sesuai untuk digunakan dalam prediksi permintaan darah di UTD PMI Kabupaten Tangerang. Sebagai upaya implementasi praktis, hasil prediksi diimplementasikan ke dalam Streamlit untuk memungkinkan pengelolaan stok darah yang lebih efisien.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Margareta Veronica, Mella (00000059669)
Contributors:	Evelin Johan, Monika
Keywords:	Gradient Boosting, Machine Learning, PMI, Random Forest, Stok Darah
Subjects:	000 Computer Science, Information and General Works > 000 Computer Science, Knowledge and Systems > 004 Computer Science, Data Processing, Hardware > 004.2 Systems Analysis and Design, Information Architecture, Performance Evaluation
Divisions:	Faculty of Engineering & Informatics > Information System
Date Deposited:	09 Sep 2025 07:33
URI:	https://kc.umn.ac.id/id/eprint/40307

Actions (login required)

View Item