Terbit online pada laman web jurnal: https://ejurnalunsam.id/index.

php/jicom/

Vol. 01 No. 01 (2020) 51 - 59 E-ISSN :2774-7115 P-ISSN: 2775-2089

IDENTIFIKASI GOLONGAN DARAH SISTEM ABO
MENGGUNAKAN K-NEAREST NEIGHBORS

Mulyadi1, Khairul Fajri2, Moh Rizka3

123Jurusan Teknologi Informasi, Politeknik Lhokseumawe
Mulyadi@pnl.ac.id

Abstract
Identification of blood groups by looking at blood clots that have been given reagents is mostly done manually
based on direct visual observations on blood that has been dripped with reagents and then determines blood
groups based on the clotting of each reagent, where the level of saturation of the eye can affect the results of
observations made and the community the general public also does not respect the resemblance. To overcome
this problem, an application is made to find blood types using the K-nearest Neighbors method which can work
automatically. KNN is a method that classifies new objects based on the training data that is closest to the
object, where the distance calculation uses Euclidean Distance. This system is used to identify blood groups A,
B, AB and 0. In this study, the system was tested using 80 training data for blood group images which were
divided into 20 images for each group A, B, AB and blood group 0. test as many as 40 images consisting of 10
test data for each blood group A, B, AB and blood group 0. The test results for the accuracy of the test on each
blood group is A 70%, blood group B 80%, blood type AB 100% and blood group 0 100%. So it can increase the
success of the system by 85%.

Keywords: Image Processing, Blood Group, K-Nearest Neighbors, Euclidean Distance.

Abstrak
Identifikasi golongan darah dengan melihat penggumpalan darah yang telah diberi reagen banyak dilakukan
secara manual berdasarkan pengamatan visual secara langsung pada darah yang telah di teteskan reagen
kemudian menentukan golongan darah berdasarkan penggumpalan pada masing-masing reagen, dimana tingkat
kejenuhan mata dapat mempengaruhi hasil pengamatan yang dilakukan dan masyararakat umum juga kurang
paham pada kemiripan-kemiripannya. Untuk mengatasi permasalahan tersebut maka dibuat sebuah aplikasi
untuk identifikasi golongan darah menggunakan metode K-nearest Neighbors yang dapat bekerja secara
otomatis. KNN adalah metode yang melakukan klasifikasi terhadap objek baru berdasarkan data latih yang
jaraknya paling dekat dengan objek tersebut, dimana perhitungan jarak menggunakan Euclidean Distance.
Sistem ini digunakan untuk mengidentifikasi golongan darah A, B, AB dan 0. Dalam penelitian ini dilakukan
pengujian sistem menggunakan 80 data latih citra golongan darah yang terbagi 20 citra untuk masing-masing
golongan A, B, AB dan golongan darah 0. Sedangkan data citra uji sebanyak 40 citra yang terdiri dari 10 data uji
untuk masing-masing golongan darah A, B, AB dan golongan darah 0. Hasil pengujian didapat tingkat
keakuratan pengujian identifikasi pada masing-masing goloang darah A sebesar 70%, golongan darah B 80%,
golongan darah AB 100% dan golongan darah 0 100%. Sehingga dapat disimpulkan tingkat keberhasilan system
sebesar 85%.

Kata kunci :Pengolahan Citra, Golongan Darah, K-Nearest Neighbors, Euclidean Distance.

DiterimaRedaksi : 25-02-2020 | SelesaiRevisi : 15-03-2020 | Diterbitkan Online : 01-04-2021

51
 Mulyadi1, Khairul Fajri2, Moh Rizka3
Jurnal J-COM (JurnalInformatika dan TeknologiKomputer) Vol. 01 No. 01 (2020) 51 – 59

1. Pendahuluan Keterangan:
𝑑(𝑥, 𝑦) : Jarak kedekatan
Darah adalah jaringan cair yang terdiri dari 2 bagian
𝑥𝑖 : Data training
yaitu plasma darah dan sel darah. Terdapat lebih kurang
𝑦𝑖 : Data testing
4 s/d 5 liter dalam tubuh manusia dewasa yang beredar
𝑖=1 : Jumlah atribut individu antara 1 s.d. 𝑛
secara terus menerus. Darah memiliki peran penting
bagi tubuh manusia sebagai pengangkut oksigen yang
diperlukan oleh sel-sel di seluruh tubuh. Darah juga Dimana proses yang dilakukan dengan cara
mensuplai tubuh dengan nutrisi, mengangkut zat-zat membandingkan nilai jarak terdekat antara nilai pada
sisa metabolism, dan mengandung berbagai bahan citra uji dengan nilai pada citra acuan.
penyusun system imun yang bertujuan
mempertahankan tubuh dari berbagai penyakit.
Penentuan golongan darah mutlak diperlukan untuk 2. MetodePenelitian
mengatasi kesalahan transfusi darah yang tidak sesuai
golongannya sehingga mengakibatkan kematian. 2.1 Perancangan dan Pembuatan Aplikasi

Pengujian identifikasi golongan darah yang dilakukan
saat ini dengan menggunakan indera penglihatan
manusia yang memiliki keterbatasan bersifat subyektif
dan tidak konsisten sehingga dapat menghasilkan
persepsi yang berbeda dari satu penilai dengan penilai
lainnya.
Perancangan dan pembuatan aplikasi merupakan tahap
dimana perancangan yang berhubungan dengan sistem
yang dilakukan. Perancangan tersebut berupa
perancangan - perancangan UML (Unified Modeling
Language), perancangan tabel yang digunakan sebagai
database sistem, dan perancangan user interface.

Berdasarkan permasalahan diatas dilakukan pembuatan Activity Diagram

sebuah aplikasi yang mampu melakukan identifikasi
golongan darah berbasis computer dengan
menggunakan metode K-Nearest Neighbors. Metode
ini mampu mengklasifikasi golongan darah berdasarkan
nilai K data terdekat sebagai acuan untuk menentukan
kelas dari data baru. Sedangkan untuk menghitung
jarak ke tetangga terdekat menggunakan metode
Euclidean distance. Keluaran aplikasi berupa
teridentifikasi jenis golongan pada sistem ABO yaitu
golongan darah A, B, AB dan O yang telah direaksikan
dengan reagen secara komputerisasi.

K-Nearest Neighbor merupakan algoritma yang

melakukan klasifikasiberdasarkan kedekatan lokasi
(jarak) suatu data dengan data yang lain. (Prasetyo, Gambar 1 Activity Diagram Proses Data Training
2012). Algoritma K-Nearest Neighbor (KNN) adalah
sebuah metode untuk melakukan klasifikasi terhadap
Pada gambar 1 menjelaskan langkah-langkah user
objek yang berdasarkan dari data latih yang jaraknya
dalam menjalankan aplikasi mulai dari klik tombol start
paling dekat dengan objek tersebut. KNN merupakan
kamera untuk mengaktifkan kamera, klik tombol
algoritma supervised learning dimana hasil dari query
capture untuk menangkap citra dari kamera kemudian
instance yang baru diklasifikan berdasarkan mayoritas
di simpan pada picturebox2, klik tombol segmentasi
dari kategori pada algoritma KNN. Dimana kelas yang
untuk melakukan proses croping citra menjadi 3 bagian
paling banyak muncul yang nantinya akan menjadi
selanjutnya dilakukan proses konversi citra hasil
kelas hasil dari klasifikasi. cropping dari citra RGB ke citra Grey dan kemudian
konversi kembali ke citra biner, dimana hasil gambar
Untuk menghitung jarak terdekat atau terjauh tersebut ditampilkan pada masing-masing picturebox,
menggunakan metode Euclidean dengan persamaan sedangkan pada saat di klik tombol pixel akan
sebagai berikut: menghitung jumlah piksel hitam masing-masing
gambar, kemudian pilih kelas citra yang diinputkan,
𝑛
klik simpan untuk menyimpan nilai piksel hitam dan
𝑑(𝑥, 𝑦) = √∑(𝑥𝑖 − 𝑦𝑖 )2 kelas ke dalam database.
𝑖=1
.............................(1) Pada gambar 2 menjelaskan bahwa user melakukan
proses identifikasi golongan darah dari data yang

Jurnal J-COM (JurnalInformatika dan TeknologiKomputer) Vol. 01 No. 01 (2020) 51 – 59

52
 Mulyadi1, Khairul Fajri2, Moh Rizka3
Jurnal J-COM (JurnalInformatika dan TeknologiKomputer) Vol. 01 No. 01 (2020) 51 – 59

berupa citra darah yang diinputkan dari kamera citra
darah telah direaksikan dengan reagen dengan
menghitung nilai piksel hitam kemudian mencari jarak
euclidean untuk mengklasifikasi tipe golongan darah
menggunakan metode K-Nearest Neighbors.
diagram yang menunjukkan alur di dalam program.
Selain itu, dapatjuga dikatakan sebagai prosedur kerja
dari sistem yang sedang dikerjakan secara keseluruhan,
yaitu langkah-langkah yang dilakukan untuk dapat
mengklasifikasikan golongan darah dari citra yang
diuji.

Flowchart pada Gambar 3 menunjukkan proses dalam

Gambar 2 ActivityDiagramForm Identifikasi
2.2 Diagram Alir Sistem
Diagram alir sistem identifikasi golongan darah dengan antara atribut data uji dan dataset untuk mendapatkan
menggunakan metode K-Nearest Neighbors adalah golongan darah berdasarkan nilai terkecil.
diagram yang menunjukkan alur di dalam program.
Selain itu, dapat juga dikatakan sebagai prosedur kerja
dari sistem yang sedang dikerjakan secara keseluruhan,
yaitu langkah-langkah yang dilakukan untuk dapat
sistem yang meliputi tahap input citra darah yang telah
direaksikan dengan reagen melalui kamera yang telah
dipasang pada kotak khusus sehingga dapat
menghindari pergeseran posisi gambar pada saat
pengambilan citra dan juga untuk menghasilkan
intensitas pencahayaan yang sama pada semua citra.
Kemudian pada proses segmentasi citra di resize dan
dilakukan cropping untuk mendapatkan ukuran dan
bagian citra yang diinginkan. Hasil citra cropping
tersebut di konversi dari citra RGB ke citra greyscale
dan dikonversi kembali ke citra biner. setelah citra
dikonversi ke biner selanjutnya dilakukan proses hitung
jumlah piksel hitam. Selanjutnya barulah dilakukan
pengujian melakukan klasifikasi dengan metode K-
Nearest Neighbors untuk mendapatkan jarak terdekat
Diagram Alir Proses Identifikasi
Mulai

mengklasifikasikan golongan darah dari citra yang

diuji. Input citra

Diagram Alir Keseluruhan Sitem Sistem mengubah ukuran

ukuran citra menjadi
640 x 360 pixel
Mulai

Sistem memotong gambar

berdasakan masing-masing
Input citra darah antigen

Konversi citra RGB ke

greyscale
Segmentasi citra

Konversi citra
gresyscale ke citra biner
Hitung jumlah piksel
hitam

Menghitung jumlah
piksel hitam
Menampilkan nilai
hasil piksel hitam

Menampilkan
jumlah piksel hitam
Identifikasi Golongan Darah

Selesai
Menampilkan Hasil
Identifikasi golongan darah

Gambar 4 Diagram Alir Proses Segmentasi

Selesai

Pada proses segmentasi ini proses pertama yang

dilakukan yaitu sistemmengubah ukuran citra inputan
Gambar 3 Diagram Alir Keseluruhan Sistem
manjadi 640 x 360 dari ukuran aslimya yaitu 1280 x
720 pixel, kemudian proses selanjutnya yaitu sistem
Diagram alir sistem identifikasi golongan darah dengan
melakukan pemotongan gambar menjadi 3 bagian
menggunakan metode K-Nearest Neighbors adalah
berdasarkan antigen masing-masing gambar setelah

Jurnal J-COM (JurnalInformatika dan TeknologiKomputer) Vol. 01 No. 01 (2020) 51 – 59

53
 Mulyadi1, Khairul Fajri2, Moh Rizka3
Jurnal J-COM (JurnalInformatika dan TeknologiKomputer) Vol. 01 No. 01 (2020) 51 – 59

mendapatkan gambar pada bagian masing-masing
antigen maka langkah selanjutnya yaitu sistem
mengkonversi citra RGB ke citra Grayscale dengan
menggunakan persamaan Gonzales yaitu Grayscale =
(0.35 * R) + (0.53 * G) + (0.07 * B), dimana R adalah
nilai kanal dari warna RGB Merah, G nilai kanal dari
warn RGB Hijau, dan B adalah nilai kanal dari warna
RGB Biru. Selanjutnya sistem melakukan proses
konversi citra Grayscale menjadi citra biner yaitu
dengan cara mengubah setiap pixel dengan tingkat
keabuan dibawah 60 pada citra grayscale menjadi nilai
0 dan dengan nilai diatasnya menjadi 255 sehingga
pada citra biner hanya memiliki dua warna pixel yaitu 0
untuk hitam dan 255 untuk putih, dipilihnya 60 derajat
keabuan sebagai nilai minimum pengambilan yaitu
dengan melakukan pengujian berulang kali untuk
mendapatkan nilai derajat yang tepat untuk digubnakan
sebagai ambang minimum sesuai dengan intensitas
cahaya dengan melakukan pengujian di Matlab. Setelah
konversi citra grayscale menjadi citra biner maka objek
yang diinginkan akan terpisah atau berbeda warna pixel
dengan background. Kemudian proses yang terakhir
pada bagian segmentasi yaitu menghitung jumlah
piksel hitam atau objek gambar yaitu dengan
melakukan perulangan for.
proses perhitungan. Selanjutnya yaitu ada kondisi
nested loop yaitu untuk mendapatkan lebar dan tinggi
gambar sebagai koordinat dalam melakukan hitung
Pixel selanjutnya yaitu proses deklarasi variabel ph
sebagai penampung sementara Pixel yang akan
dihitung. Pada proses selanjutnya yaitu kondisi if
dimana jika nilai Pixel pada matrik 1,1 dengan nilai
pada kanal R sama dengan 0 dan juga G sama dengan 0
dan juga B sama dengan 0 maka nilai variabel Jumlah
Pixel Hitam akan ditambah 1, jika salah maka kondisi
akan kembali kepada loop for pertama, perualangan ini
akan terjadi hingga pada matrik Pixel terakhir.
Diagram Alir Proses Identifikasi
Setelah diperoleh nilai Pixel dari masing masing citra
hasil cropping, selanjutnya akan dilakukan tahap
klasifikasi golongan darah. Diagram alir pada Gambar
6 menunjukkan proses akhir untuk klasifikasi golongan
darah yang hasil akhirnya nilai euclidean distance yang
paling kecil yang akan menentukan data uji akan
teridentifikasi pada golongan darah apa sesuai dengan
hasil perhitungan terhadap data pada database. Berikut
diagram alirproses klasifikasi:

Diagram Alir Proses Hitung Jumlah Pixel Hitam

Gambar 6 Diagram Alir Sistem Identifikasi

3. Hasil dan Pembahasan

3.1 System Implementasi

3.1.1 Form Utama

Form utama merupakan tampilan awal dari aplikasi
identifikasi golongan darah yang berisikan menu-menu
utama lainnya. Pada form ini terdapat 4 menu yaitu
Gambar 5 Diagram Alir Proses Hitung Pixel Hitam Training, Identifikasi, Bantuan dan Profile. Tampilan
Pada proses hitung jumlah pixel diatas dimulai dari form menu utama ditunjukkan pada gambar 7.
proses deklarasi variable Jumlah Pixel Hitam sebagai
variabel yang akan menampung jumlah Pixel pada saat

Jurnal J-COM (JurnalInformatika dan TeknologiKomputer) Vol. 01 No. 01 (2020) 51 – 59

54
 Mulyadi1, Khairul Fajri2, Moh Rizka3
Jurnal J-COM (JurnalInformatika dan TeknologiKomputer) Vol. 01 No. 01 (2020) 51 – 59

3.2.1 Proses Segmentasi

Proses segmentasi merupakan proses mempartisikan

citra menjadi 3 bagian yaitu untuk citra Anti A, Anti B,
Anti D dan mendapatkan objek tertentu yaitu dengan
memisahkan antara objek (foreground) dengan
background. Proses ini dilakukan pada tombol
Segmentasi.

Gambar 7 Tampilan Form Utama

3.1.2 Form Menu Training

Menu training merupakan menu utama dari sistem
yang digunakan untuk menambahkan data training ke
dalam database sistem. Data yang disimpan berupa
data numeric dari jumlah piksel hitam yang telah
dihitung pada citra inputan pada citra anti A, anti B,
dan anti D. Database yang digunakan pada sistem ini
Gambar 10 Proses Segmentasi
adalah MYSQL. Gambar 8 menunjukkan form menu
training.
3.2.2 Proses Penyimpanan Fitur Citra Dalam
Database Sistem

Penyimpanan data kedalam database sistem dilakukan

untuk mengumpulkan data latih atau data training yang
akan digunakan sebagai data pembanding terhadap data
baru yang akan diklasifikasi golongan darahnya. Data
yang di simpan ke dalam database sistem berupa fitur
dari citra yaitu berupa jumlah piksel hitam dari masing-
masing citra anti reagen. Pada gambar 11 berikut
Gambar 8 Tampilan Form Menu Training
menunjukkan citra dan fitur yang tersimpan dalam
database sistem.

3.1.3 Form Menu Identifikasi

Form identifikasi adalah menu yang berfungsi untuk

melakukan proses pengujian data baru dengan data
training menggunakan metode K-Nearest Neighbors
untuk proses klasifikasinya. Data inputan yaitu berupa
citra darah yang telah di reaksikan dengan anti sera.
Gambar 9 menunjukkan tampilan form identifikasi.

Gambar 11 Proses Simpan Data ke Database

3.2.3 Proses Klasifikasi Golongan Darah

Untuk proses klasifikasi golongan darah dilakukan

Gambar 9 Tampilan Form Menu Identifikasi
3.2 Pengujian Sistem
dengan membandingkan citra inputan yang akan diuji
dengan semua data citra yang ada dalan database
sistem. Nilai perbandingannya yaitu citra biner yang
diubah dalam dimensi array 150x150 pixel sehingga
terdapat total 22500 data biner. Sistem melakukan
penghitungan jumlah piksel hitam dari masing-masing
darah yang telah di berikan reagen. Kemudian sistem

Jurnal J-COM (JurnalInformatika dan TeknologiKomputer) Vol. 01 No. 01 (2020) 51 – 59

55
 Mulyadi1, Khairul Fajri2, Moh Rizka3
Jurnal J-COM (JurnalInformatika dan TeknologiKomputer) Vol. 01 No. 01 (2020) 51 – 59

melakukan penghitungan jarak euclidean antara data uji

Tabel 1 Hasil Input Data Training
dengan data pada database, dari hasil jarak euclidean
tersebut ditentukan golongan darah data uji dengan Jumlah Jumlah Jumlah
N Cla
melihat mayoritas class yang muncul berdasarkan Nama Pixel Pixel Pixel
o ss
jumlah nilai K. Pada gambar 12 menunjukkan proses AntiA AntiB AntiD
pengujian sistem identifikasi dengan citra inputan
1 Gol A 955 7992 3755 A
adalah citra golongan darah AB.
2 Gol A 948 5860 2655 A

3 Gol A 942 5703 1710 A

4 Gol A 943 8045 1712 A

5 Gol A 911 6549 1516 A

6 Gol A 1158 6162 669 A

7 Gol A 1152 5319 413 A

8 Gol A 1239 5285 499 A

Gambar 12 Proses Identifikasi Golongan Darah
9 Gol A 1271 4467 680 A

3.3 Pembahasan 10 Gol A 1180 5160 641 A

11 Gol A 1936 7632 2280 A

Berdasarkan hasil pengujian yang telah dilakukan
terhadap citra golongan darah A menunjukan bahwa 12 Gol A 1922 6900 2290 A
sistem menunjukkan berhasil mengidentifikasi data uji
citra golongan darah A sesuai dengan yang diinginkan. 13 Gol A 1898 6638 2208 A

14 Gol A 1211 4197 624 A

Contoh Perhitungan Manual (Data Uji Golongan Darah
AB) sebagai berikut : 15 Gol A 1334 3808 697 A
• Menentukan nilai K, pada penelitian ini nilai K 16 Gol A 1949 8124 2724 A
ditentukan 7.
• Menghitung jarak euclideanantara data uji 17 Gol A 1983 7938 2455 A
dengan data training menggunakan rumus
18 Gol A 1966 7595 2289 A
Euclidean Distance.
19 Gol A 1975 6639 2357 A
𝑛
20 Gol A 1993 6396 2290 A
𝑑 (𝑥, 𝑦) = √∑(𝑥𝑖 − 𝑦𝑖 )2
21 Gol AB 714 1274 3040 AB
𝑖=1
22 Gol AB 770 1255 2924 AB

23 Gol AB 762 1265 2641 AB

Dengan:
𝑑 (𝑥, 𝑦) : Jarak kedekatan 24 Gol AB 848 1275 2274 AB
𝑥𝑖 : Data training
𝑦𝑖 : Data Uji 25 Gol AB 790 1492 2372 AB
n :Banyaknya data 26 Gol AB 1608 1503 3964 AB
𝑖 : Variabel Data
Sehingga: 𝑑 𝑥, 𝑦 = √∑𝑛𝑖=1(𝑥𝑖 − 𝑦𝑖 )2
( ) 27 Gol AB 1470 1418 3129 AB

𝑑 (𝑥, 𝑦)= √(955 − 2714)2 + 28 Gol AB 1408 1307 2513 AB

(7992 − 5921)2 +
29 Gol AB 1332 1250 2174 AB
(3755 − 3506)2
𝑑 (𝑥, 𝑦) = 2728.58 30 Gol AB 1321 1371 2224 AB
Nilai jarak euclidean data pertama = 2728.58
31 Gol AB 1461 1401 3101 AB

32 Gol AB 1419 1322 2518 AB

Jurnal J-COM (JurnalInformatika dan TeknologiKomputer) Vol. 01 No. 01 (2020) 51 – 59

56
 Mulyadi1, Khairul Fajri2, Moh Rizka3
Jurnal J-COM (JurnalInformatika dan TeknologiKomputer) Vol. 01 No. 01 (2020) 51 – 59

33 Gol AB 1319 1309 2603 AB 69 Gol O 7277 7076 2041 O

34 Gol AB 1327 1261 2233 AB 70 Gol O 6154 6099 2467 O

35 Gol AB 1324 1373 2216 AB 71 Gol O 8230 7803 2812 O

36 Gol AB 710 1276 3090 AB 72 Gol O 8255 7808 2797 O

37 Gol AB 838 1316 2251 AB 73 Gol O 8282 8011 1846 O

38 Gol AB 1596 1499 3923 AB 75 Gol O 6640 7787 2814 O

39 Gol AB 1375 1382 2855 AB 76 Gol O 6344 7095 1858 O

40 Gol AB 1323 1382 2228 AB 77 Gol O 8957 8952 5987 O

41 Gol B 9282 1903 4569 B 78 Gol O 8767 8955 4859 O

42 Gol B 9248 1841 4368 B 79 Gol O 8748 9043 4055 O

43 Gol B 9179 1673 3869 B 80 Gol O 7492 7690 3880 O

44 Gol B 9147 1525 3214 B

45 Gol B 6423 1514 3204 B Tabel 2 Hasil Perhitungan Jarak Euclidean

Golo
46 Gol B 9252 1844 4429 B Jumlah Jumlah Jumlah
No ngan
Pixel Pixel Pixel Jarak
Uji Dara
47 Gol B 9162 1679 3858 B Anti A Anti B Anti D
h
48 Gol B 9128 1540 3173 B
1 A 955 7992 3755 2728.58
49 Gol B 9131 1535 3186 B
2 A 948 5860 2655 1961.29
50 Gol B 6745 1428 3293 B
3 A 942 5703 1710 2532.41
51 Gol B 8705 2166 4921 B

52 Gol B 8488 1992 3648 B 4 A 943 8045 1712 3296.4

53 Gol B 8531 1942 3043 B 5 A 911 6549 1516 2757.77

54 Gol B 6727 2028 2870 B 6 AB 714 1274 3040 5080.53

55 Gol B 6523 2027 2505 B
7 AB 770 1255 2924 5088.16
56 Gol B 8734 2148 4900 B
8 AB 762 1265 2641 5122.19
57 Gol B 8513 1972 3640 B
9 AB 848 1275 2274 5156.07
58 Gol B 8568 1920 3048 B

59 Gol B 6549 2036 3014 B 10 AB 790 1492 2372 4960.22

60 Gol B 5505 2014 2568 B 11 B 9282 1903 4569 7772.57

61 Gol O 6476 7775 2819 O

12 B 9248 1841 4368 7751.3
62 Gol O 9454 9702 3698 O
13 B 9179 1673 3869 7744.26
63 Gol O 9444 9739 3635 O
14 B 9147 1525 3214 7797.02
64 Gol O 9028 9582 3065 O

65 Gol O 7355 8348 3087 O 15 B 6423 1514 3204 5767.97

66 Gol O 8221 7385 1991 O 16 O 6476 7775 2819 4249.93

67 Gol O 7281 7087 2036 O 17 O 9454 9702 3698 7730.49

68 Gol O 7284 7069 2038 O
18 O 9444 9739 3635 7738.65

Jurnal J-COM (JurnalInformatika dan TeknologiKomputer) Vol. 01 No. 01 (2020) 51 – 59

57
 Mulyadi1, Khairul Fajri2, Moh Rizka3
Jurnal J-COM (JurnalInformatika dan TeknologiKomputer) Vol. 01 No. 01 (2020) 51 – 59

19 O 9028 9582 3065 7311.91 1 20 A 1491.35

20 O 7355 8348 3087 5254.02 2 19 A 1543.32

3 13 A 1692.56

Data Diurutkan dari Nilai Terkecil ke Nilai Terbesar 4 12 A 1750.53

Tabel 3 Nilai Jarak Terurut Dari Terkecil Ke Terbesar 5 2 A 1961.29

Jumlah Jumlah Jumlah Golon
No No 6 15 A 3776.2
Pixel Pixel Pixel Jarak gan
Urut Uji
AntiA AntiB AntiD Darah
7 76 O 4155.85
1 20 955 7992 2290 1491.35 A

2 19 1993 6396 2357 1543.32 A

Menentukan Hasil Klasifikasi
3 13 1975 6639 2208 1692.56 A

4 12 1898 6638 2290 1750.53 A

Berdasarkan tabel 4 mayoritas golongan darah yang
muncul adalah A dengan jumlah muncul yaitu 6. Jadi,
5 2 1922 6900 2655 1961.29 A didapatkan hasil identifikasi golongan darah yaitu A
dengan 6 data sampel terdekat, berdasarkan hasil uji
6 15 1334 3808 1858 3776.2 A sesuai K = 7.

7 76 6344 7095 2819 4155.85 O Pengujian pada penelitian ini dilakukan dengan
melakukan identifikasi terhadap 10 citra masing-
8 61 6476 7775 2814 4249.93 O masing darah dengan tingkat keberhasilan dari tiap
golongan darah yang telah diuji dapat dihitung sebagai
9 75 6640 7787 3964 4401.62 O berikut:
10 26 1608 1503 3923 4577.31 AB
1. Golongan Darah A
• Jumlah total data uji: 10
11 34 1327 1261 2174 5025.92 AB
• Jumlah data uji berhasil: 7
12 29 1332 1250 3090 5049.99 AB Akurasi keberhasilan golongan darah A =
𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙
∗ 100
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖
13 36 710 1276 3040 5075.93 AB 7
A = 10 ∗ 100
14 21 714 1274 2924 5080.53 AB Persentase keberhasilan golongan darah A
adalah 70%.
15 22 770 1255 3880 5088.16 AB 2. Golongan Darah B
• Jumlah total data uji: 10
16 79 8748 9043 4859 6815.97 O
• Jumlah data uji berhasil: 8
Akurasi keberhasilan golongan darah B =
17 78 8767 8955 3648 6904.68 O 𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙
∗ 100
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖
18 52 8488 1992 3640 6985.43 B 8
B = 10 ∗ 100
19 57 8513 1972 3043 7017.19 B Persentase keberhasilan golongan darah B
adalah 80%.
20 53 8531 1942 3048 7062.88 B 3. Golongan Darah AB
• Jumlah total data uji: 10
• Jumlah data uji berhasil: 10
Ambil Nilai Terkecil Sesuai Dengan Nilai K. Akurasi keberhasilan golongan darah AB =
𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙
∗ 100
Tabel 4 Tujuh Nilai Jarak Terkecil 𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖
10
No. No. AB = 10 ∗ 100
Golongan Darah Jarak
Urut Uji Persentase keberhasilan golongan darah AB
adalah 100%.
4. Golongan Darah O

Jurnal J-COM (JurnalInformatika dan TeknologiKomputer) Vol. 01 No. 01 (2020) 51 – 59

58
 Mulyadi1, Khairul Fajri2, Moh Rizka3
Jurnal J-COM (JurnalInformatika dan TeknologiKomputer) Vol. 01 No. 01 (2020) 51 – 59

• Jumlah total data uji: 10
• Jumlah data uji berhasil: 10
Akurasi keberhasilan golongan darah O =
𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙
∗ 100
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖
10
O = 10 ∗ 100
Persentase keberhasilan golongan darah O
adalah 100%.
Dari tingkat akurasi keberhasilan tiap tipe
golongan darah diatas dapat dihitung akurasi
kesuluruhan data uji yaitu dengan cara mengakumulasi
tingkat keberhasilan tiap golongan darah yang dihitung
secara manual sebagai berikut:
Total akurasi = akurasi gol. darah A + akurasi gol.
darah B +akurasi gol. darah AB +
akurasi gol. darah O
Total akurasi = 70 + 80 + 100 + 100 = 350
350
Total akurasi = = 87,5%
4 [6] Haviluddin, 2011. Memahami Penggunaan UML
4. Kesimpulan
Berdasarkan penelitian yang dilakukan di
pembahasan mengenai sistem identifikasi golongan [7] Juhari, Imam, 2014. Perancangan
darah menggunakan metode K-Nearest Neighbor untuk
mengklasifikasikangolongan darah berdasarkan sistem
ABO yang terdiri golongan darah A, B, AB,dan O
sebagai berikut:
[2]Chandra, Marvin Wijaya, Agus Prijono. 2007.
Pengolahan Citra Digital Menggunakan
Matlab. Bandung: Informatika.
[3] Darma Putra, 2010. Pengolahan Citra Digital Edisi
pertama. Yogyakarta: ANDI.
[4]Farida Ratna, Surtadhana, NG. Gultom Ferry. 1993.
Penentuan Golongan Darah Sistem ABO
Melalui Saliva Mahasiswa Fakultas
Kedokteran Gigi U.I. Jurnal Kedokteran Gigi
Universitas Indonesia, Vol. 1, No. 1.
[5]G. Ravindran, T. Joby Titus, M. Pravin, P. Pandiyan.
2017. Determination and Classification of
Blood Types using Image Processing
Techniques. Jurnal International Aplikasi
Komputer, Vol. 157, No. 1.
(Unified Modeling Language). Jurnal
Informatika Mulawarman. Jurnal Informatika
Universitas Mulawarman, Vol. 6, No. 1.
Aplikasi
Pemograman Noise Pada Objek Citra Digital
Menggunakan Metode Filter Gausian.

1. Data yang digunakan pada penelitian ini yaitu

citra darah yang telah direaksikan dengan
masing-masing reagen, citra diambil di Unit
Transfusi Darah PMI Cabang Aceh Utara.
2. Sistem identifikasi golongan darah dengan
metode K-Nearest Neighbors dapat
mengklasifikasi golongan darah dengan
menghitung jarak pixsel hitam dari objek darah
yang telah direaksikan dengan reagen.
3. Metode K-Nearest Neighbors berhasil dalam
mengidentifikasi golongan darah, tingkat
keakuratan pengidentifikasian untuk golongan
darah A adalah 70%, golongan darah B 80%,
golongan darah AB 100% dan golongan darah O
adalah 100%. Akurasi keseluruhan sistem yaitu
sebesar 87,5%.
4. Golongan darah yang dapat diidentifikasi oleh
sistem empat golongan yaitu golongan A, B,
AB, dan O.
5. Hasil persentase keberhasilan dengan 40 data uji
dalam mengklasifikasikan golongan darah
dipengaruhi oleh kualitas citra, baik yang
diinputkan ke data training maupun yang
dijadikan sebagai data uji.

Daftar Rujukan
[1]Abdul, 2013. Manfaat Mengetahui Golongan
Darah. Bandung: Alfabet.

Jurnal J-COM (JurnalInformatika dan TeknologiKomputer) Vol. 01 No. 01 (2020) 51 – 59

59