Publisher

SEMINAR IDSEMINAR ID

Journal Journal of Computer System and Informatics (JoSYC)Journal of Computer System and Informatics (JoSYC) Abstract

Kanker payudara adalah penyakit yang signifikan yang berdampak pada wanita secara global, yang menunjukkan kebutuhan akan model diagnostik yang akurat dan andal. Penelitian ini bertujuan untuk meningkatkan prediksi kanker payudara dengan mengoptimalkan algoritma Random Forest menggunakan Ant Colony Optimization (ACO). Penelitian ini menggunakan dataset yang berisi berbagai karakteristik sel untuk membangun dan mengevaluasi model. Algoritma ACO diterapkan untuk menyesuaikan hiperparameter model Random Forest dan meningkatkan kinerjanya dalam memprediksi. Hasil eksperimen menunjukkan bahwa model Random Forest yang dioptimalkan melebihi model dasar dalam semua metrik evaluasi. Model yang dioptimalkan mencapai akurasi sebesar 94,74%, presisi sebesar 97,92%, recall sebesar 90,38%, skor F1 sebesar 92,93%, dan skor AUC sebesar 0,9449 dibandingkan dengan model Random Forest dasar, yang memiliki skor lebih rendah dalam semua metrik. Peningkatan ini menunjukkan efektivitas ACO dalam meningkatkan kinerja model, terutama dalam mengurangi false negatives, yang sangat penting untuk diagnosis medis. Penelitian ini menunjukkan bahwa ACO berhasil menyesuaikan hiperparameter Random Forest, mencapai akurasi yang lebih baik dibandingkan dengan model dasar dan melebihi metode optimisasi sebelumnya seperti PSO. Temuan ini mengonfirmasi bahwa kombinasi Random Forest dan ACO menawarkan pendekatan yang kuat dan efektif untuk meningkatkan akurasi prediksi kanker payudara, menjadikannya alat yang berharga untuk pengambilan keputusan klinis.

Conclusion

Hasil menunjukkan bahwa Ant Colony Optimization (ACO) secara signifikan meningkatkan efektivitas model Random Forest dalam memprediksi kanker payudara.Metrik kunci yang ditingkatkan, termasuk akurasi, presisi, recall, dan terutama skor AUC, menunjukkan bahwa model yang ditingkatkan memiliki keandalan dan ketahanan yang lebih baik.Peningkatan skor AUC menunjukkan kemampuan model yang lebih baik dalam membedakan antara kasus ganas dan jinak, yang sangat penting untuk diagnosis medis.Model yang dioptimalkan mencapai akurasi sebesar 94,74%, presisi sebesar 94,93%, recall sebesar 94,74%, skor F1 sebesar 94,71%, dan skor AUC sebesar 0,9449.Temuan ini menunjukkan bahwa ACO adalah pendekatan yang menjanjikan untuk meningkatkan efektivitas prediksi dalam aplikasi kesehatan.Matriks kebingungan menunjukkan peningkatan efektivitas model Random Forest setelah dioptimalkan melalui Ant Colony Optimization (ACO).Model Random Forest dasar menghasilkan 6 false negatives (pasien kanker yang salah diklasifikasikan sebagai non-kanker) dan 1 false positive.Setelah menerapkan ACO, model mengurangi false negatives menjadi 5, sambil mempertahankan 1 false positive.Peningkatan dalam identifikasi kasus kanker yang benar sesuai dengan peningkatan penarikan dari 88,86% menjadi 90,38%.Kemampuan model yang ditingkatkan untuk mengurangi false negatives sangat penting dalam diagnosis medis, karena mengabaikan diagnosis kanker dapat menyebabkan konsekuensi yang serius.Hasil ini memperkuat efektivitas ACO dalam meningkatkan keandalan model dan akurasi prediksi.

Future Research

Berdasarkan hasil penelitian ini, beberapa saran penelitian lanjutan dapat diusulkan. Pertama, penelitian dapat dilakukan untuk mengeksplorasi penggunaan algoritma optimisasi lainnya, seperti Particle Swarm Optimization (PSO) atau Genetic Algorithm (GA), untuk mengoptimalkan model Random Forest dan membandingkan kinerjanya dengan ACO. Kedua, penelitian dapat dilakukan untuk mengintegrasikan teknik-teknik pengurangan dimensi data, seperti Principal Component Analysis (PCA) atau t-Distributed Stochastic Neighbor Embedding (t-SNE), untuk meningkatkan kinerja model dalam menangani dataset yang kompleks. Terakhir, penelitian dapat dilakukan untuk menguji efektivitas model Random Forest yang dioptimalkan dengan ACO dalam memprediksi kanker payudara pada dataset yang lebih besar dan beragam, serta mengeksplorasi potensi penerapannya dalam pengambilan keputusan klinis.

References

1. An Intelligent Model for prediction of Breast Cancer applying Ant Colony Optimization – Biosciences... doi.org/10.13005/bbra/3347An Intelligent Model for prediction of Breast Cancer applying Ant Colony Optimization Ae Biosciences doi 10 13005 bbra 3347
2. Enhancing the Random Forest Model via Synthetic Minority Oversampling Technique for Credit-Card Fraud... doi.org/10.62411/jcta.10323Enhancing the Random Forest Model via Synthetic Minority Oversampling Technique for Credit Card Fraud doi 10 62411 jcta 10323
3. Analisis Perbandingan Klasifikasi Algoritma CART dengan Algoritma C 4.5 Pada Kasus Penderita Kanker Payudara... ejurnal.teknokrat.ac.id/index.php/teknokompak/article/view/2379Analisis Perbandingan Klasifikasi Algoritma CART dengan Algoritma C 4 5 Pada Kasus Penderita Kanker Payudara ejurnal teknokrat ac index php teknokompak article view 2379
4. PREDIKSI KEGANASAN KANKER PAYUDARA DENGAN PENDEKATAN MACHINE LEARNING | JATI (Jurnal Mahasiswa Teknik... doi.org/10.36040/jati.v7i3.6963PREDIKSI KEGANASAN KANKER PAYUDARA DENGAN PENDEKATAN MACHINE LEARNING JATI Jurnal Mahasiswa Teknik doi 10 36040 jati v7i3 6963

Subjects

1. #algoritma random forest#algoritma random forest
2. #pengambilan keputusan#pengambilan keputusan

Metadata

File size	1.4 MB
Pages	11
Short Link	https://juris.id/p-2YD
Lookup Links	Google ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCA	Report