Publisher

UNESAUNESA

Journal Journal of Digital Business and Innovation ManagementJournal of Digital Business and Innovation Management Abstract

Kanker payudara merupakan salah satu jenis kanker paling umum dan mematikan yang menyerang perempuan di seluruh dunia. Deteksi dini dan diagnosis yang akurat menjadi kunci dalam meningkatkan angka harapan hidup pasien serta menekan biaya perawatan jangka panjang. Seiring kemajuan teknologi digital, pembelajaran mesin (machine learning/ML) menjadi alat penting dalam klasifikasi kanker payudara. Dua algoritma yang banyak digunakan adalah Random Forest (RF) dan Extreme Learning Machine (ELM) karena keunggulannya dalam akurasi dan efisiensi. Studi literatur sistematis ini bertujuan untuk membandingkan performa RF dan ELM dengan fokus pada sensitivitas biaya dan kompleksitas komputasi. Berdasarkan panduan PRISMA, sebanyak 60 artikel ilmiah terbitan 2013–2024 dianalisis secara mendalam. Hasil menunjukkan bahwa RF unggul dalam akurasi dan stabilitas prediksi, sementara ELM lebih efisien dari segi waktu pelatihan dan sumber daya komputasi. Tantangan utama dari kedua metode adalah ketidakseimbangan data, di mana kesalahan klasifikasi kasus kanker ganas dapat berakibat fatal. Strategi pembelajaran berbasis biaya (cost-sensitive learning) terbukti meningkatkan sensitivitas model terhadap kelas minoritas, meskipun integrasinya dalam ELM masih terbatas. Efisiensi komputasi juga menjadi pertimbangan penting, terutama untuk penerapan di fasilitas kesehatan dengan keterbatasan sumber daya. Studi ini menyajikan sintesis tematik dari penelitian terkini dan merekomendasikan pengembangan model hibrida yang menggabungkan keunggulan RF dan ELM, serta penerapan AI yang dapat dijelaskan (explainable AI) guna meningkatkan kepercayaan dalam praktik klinis.

Conclusion

Hasil penelitian ini menunjukkan bahwa Random Forest (RF) dan Extreme Learning Machine (ELM) memiliki peran penting dalam klasifikasi kanker payudara, masing-masing dengan keunggulan dan tantangannya.RF unggul dalam akurasi dan stabilitas, sementara ELM menawarkan efisiensi komputasi yang tinggi.Penanganan data yang tidak seimbang menjadi tantangan utama, dan strategi pembelajaran berbasis biaya dapat meningkatkan sensitivitas model terhadap kasus kanker ganas.Pengembangan model hibrida yang menggabungkan keunggulan kedua algoritma, serta penerapan AI yang dapat dijelaskan, menjadi rekomendasi penting untuk meningkatkan efektivitas dan kepercayaan dalam diagnosis kanker payudara.

Future Research

Berdasarkan temuan ini, beberapa saran penelitian lanjutan dapat diajukan. Pertama, perlu dilakukan penelitian lebih lanjut untuk mengembangkan model hibrida yang menggabungkan keunggulan RF dan ELM, misalnya dengan menggunakan RF untuk ekstraksi fitur dan ELM untuk klasifikasi cepat. Kedua, penelitian tentang integrasi cost-sensitive learning ke dalam arsitektur ELM perlu dieksplorasi lebih dalam, dengan tujuan meningkatkan sensitivitas model terhadap kasus kanker ganas yang jarang terjadi. Ketiga, pengembangan sistem AI yang dapat memberikan penjelasan (explainable AI) untuk mendukung pengambilan keputusan klinis, sehingga meningkatkan kepercayaan dokter dan pasien terhadap hasil diagnosis, menjadi arah penelitian yang menjanjikan. Dengan menggabungkan ketiga saran ini, diharapkan dapat dihasilkan sistem klasifikasi kanker payudara yang lebih akurat, efisien, dan dapat diandalkan dalam praktik klinis.

References

1. Preferred Reporting Items for Systematic Reviews and Meta-Analyses: The PRISMA Statement | PLOS Medicine.... journals.plos.org/plosmedicine/article?id=10.1371/journal.pmed.1000097Preferred Reporting Items for Systematic Reviews and Meta Analyses The PRISMA Statement PLOS Medicine journals plos plosmedicine article id 10 1371 journal pmed 1000097

Metadata

File size	424.81 KB
Pages	20
DMCA	Report