NINETYJOURNALNINETYJOURNAL

Jurnal Kecerdasan Buatan dan Teknologi InformasiJurnal Kecerdasan Buatan dan Teknologi Informasi

Kanker payudara memberikan dampak fisik dan dampak psikologis pada pasien. Deteksi dini terhadap kanker payudara dibutuhkan pada pengidap yang berisiko mengidap kanker payudara. Salah satu solusi yang bisa dilakukan untuk deteksi dini penyakit kanker payudara yaitu dengan melakukan klasifikasi menggunakan pendekatan data mining menggunakan algoritma Support Vector Machine (SVM) dan Algoritma Logistic regression (LR) dengan teknik pengujian Percentage Split dan K-Fold Cross Validation. Penelitian ini bertujuan untuk mendapatkan hasil klasifikasi terbaik untuk mendeteksi penyakit kanker payudara dengan membandingkan kedua algoritma tersebut. Hasil Akurasi yang dihasilkan dari penelitian ini yaitu pada algoritma SVM diperoleh 96% dengan Percentage Split dan 98% pada metode K-Fold Cross Validation. Sementara pada Algoritma Logistic regression didapat hasil akurasi sebesar 96% pada metode Percentage Split dan 97% untuk metode K-Fold Cross Validation. Berdasarkan hasil akurasi, algoritma SVM dengan metode K-Fold Cross Validation merupakan algoritma terbaik dalam mengklasifikasi penyakit kanker payudara. Namun, hasil akurasi dari LR masih bisa dikatakan sangat baik karena menghasilkan akurasi lebih dari 90%.

Penelitian ini menunjukkan bahwa algoritma SVM dan Logistic Regression dengan teknik K-Fold Cross Validation dan Percentage Split dapat mengklasifikasi kanker payudara dengan akurasi di atas 90%.Algoritma SVM terbukti lebih unggul dibandingkan Logistic Regression dalam hal akurasi, presisi, dan recall ketika menggunakan K-Fold Cross Validation.Oleh karena itu, SVM dinilai sebagai algoritma terbaik untuk mendeteksi penyakit kanker payudara.

Penelitian lanjutan dapat mengeksplorasi apakah keunggulan algoritma SVM tetap konsisten ketika diterapkan pada dataset kanker payudara yang lebih besar dan memiliki distribusi kelas yang sangat tidak seimbang, seperti yang sering terjadi di lingkungan klinis sebenarnya, untuk menguji batasan performa pada skala data yang lebih kompleks. Selain itu, disarankan untuk mengembangkan studi yang membandingkan kombinasi SVM dengan teknik preprocessing seperti oversampling atau undersampling untuk menangani masalah imbalance data, sehingga dapat menghasilkan metode klasifikasi yang lebih akurat dan robust dalam mendeteksi dini kanker payudara. Terakhir, ide penelitian baru bisa fokus pada integrasi kedua algoritma ini dengan pendekatan ensemble learning, misalnya dengan menggabungkan SVM dan Logistic Regression dalam model hibrida, untuk melihat apakah akurasi klasifikasi dapat ditingkatkan lebih lanjut pada kasus-kasus kanker payudara yang memiliki variasi atribut medis yang tinggi, seperti data dari berbagai jenis populasi pasien dan kondisi kesehatan yang berbeda-beda.

  1. IMPLEMENTASI TWITTER SENTIMENT ANALYSIS UNTUK REVIEW FILM MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE... doi.org/10.33795/jip.v4i2.152IMPLEMENTASI TWITTER SENTIMENT ANALYSIS UNTUK REVIEW FILM MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE doi 10 33795 jip v4i2 152
  2. Perbandingan Algoritma Klasifikasi Data Mining Untuk Prediksi Penyakit Stroke | SINTECH (Science and... ejournal.instiki.ac.id/index.php/sintechjournal/article/view/1222Perbandingan Algoritma Klasifikasi Data Mining Untuk Prediksi Penyakit Stroke SINTECH Science and ejournal instiki ac index php sintechjournal article view 1222
  3. DOI Name 10.69916 Values. name values index type timestamp data admin handle delete modify list serv... doi.org/10.69916DOI Name 10 69916 Values name values index type timestamp data admin handle delete modify list serv doi 10 69916
  4. Breast Cancer Risk Analysis by the Use of Hormonal Contraceptives and Age of Menarche | Jurnal Berkala... doi.org/10.20473/jbe.v3i12015.12-23Breast Cancer Risk Analysis by the Use of Hormonal Contraceptives and Age of Menarche Jurnal Berkala doi 10 20473 jbe v3i12015 12 23
  1. #logistic regression#logistic regression
  2. #algoritma support vector#algoritma support vector
File size470.37 KB
Pages10
DMCAReportReport

ads-block-test