Komparasi Algoritma Machine Learning dengan SMOTE untuk Prediksi Retensi Donor Darah

Abstract

Ketersediaan pasokan darah yang memadai merupakan tantangan kritis dalam sistem pelayanan kesehatan, di mana rendahnya tingkat retensi donor menjadi salah satu faktor utama penyebab kekurangan pasokan. Penelitian ini membandingkan performa empat algoritma machine learning, yaitu K-Nearest Neighbor, Random Forest, Support Vector Machine, dan Decision Tree, dalam memprediksi retensi donor darah pada dataset Blood Transfusion Service Center UCI yang terdiri dari 748 sampel. Ketidakseimbangan kelas pada dataset dengan rasio 1:3,2 ditangani menggunakan Synthetic Minority Oversampling Technique (SMOTE). Eksperimen dilakukan pada dua kondisi, yaitu tanpa SMOTE sebagai baseline dan dengan SMOTE, menggunakan pembagian data 80:20 dengan stratified split. Evaluasi dilakukan menggunakan metrik accuracy, precision, Recall, F1-score, dan AUC-ROC. Hasil eksperimen menunjukkan bahwa SMOTE secara konsisten meningkatkan Recall dan F1-score pada tiga dari empat algoritma meskipun diikuti penurunan accuracy. Sebagai contoh, pada SVM, accuracy turun dari 0,7733 menjadi 0,7000, namun Recall meningkat secara dramatis dari 0,0833 menjadi 0,7778, yang menunjukkan trade-off antara akurasi keseluruhan dengan kemampuan deteksi donor potensial. Support Vector Machine dengan SMOTE diidentifikasi sebagai model terbaik dengan Recall 0,7778, F1-score 0,5545, dan AUC 0,769, mengungguli seluruh algoritma yang diuji. Temuan ini mengkonfirmasi dan memperluas studi sebelumnya dengan membuktikan bahwa dampak SMOTE bervariasi secara signifikan antar algoritma, dari peningkatan dramatis pada SVM hingga penurunan performa pada Decision Tree. Secara praktis, model SVM+SMOTE dapat diimplementasikan oleh bank darah dan pusat layanan transfusi untuk mengoptimalkan strategi retensi donor, meningkatkan efisiensi kampanye rekrutmen ulang, dan membantu strategi manajemen stok darah melalui prediksi donor yang berpotensi kembali berdonasi.