PIPI

JOISIE (Journal Of Information Systems And Informatics Engineering)JOISIE (Journal Of Information Systems And Informatics Engineering)

Kanker payudara merupakan salah satu penyebab utama kematian di dunia, di mana deteksi dini sangat penting untuk meningkatkan prognosis pasien. Namun, metode tradisional yang bergantung pada pengalaman dokter masih rentan terhadap kesalahan diagnosis, yang dapat menghambat upaya penanganan yang tepat. Oleh karena itu, penelitian ini bertujuan untuk meningkatkan akurasi dalam klasifikasi kanker payudara dengan menerapkan metode Correlated Naïve Bayes (C-NBC). Metode ini dipilih karena kemampuannya untuk mengukur korelasi antara atribut dan kelas, yang dapat menghasilkan klasifikasi yang lebih tepat dan akurat. Penelitian ini menggunakan dataset Breast Cancer Coimbra yang terdiri dari 10 atribut untuk menguji kinerja kedua metode tersebut. Hasil pengujian menunjukkan bahwa metode Naïve Bayes menghasilkan akurasi sebesar 88,57%, sementara metode Correlated Naïve Bayes berhasil meningkatkan akurasi klasifikasi hingga 91,42%, yang lebih tinggi sebesar 2,85% dibandingkan dengan metode Naïve Bayes. Penelitian ini menunjukkan bahwa metode Correlated Naïve Bayes dapat meningkatkan performa klasifikasi penyakit kanker payudara dan dapat memberikan kontribusi terhadap pengembangan metodologi klasifikasi dalam bidang medis.

Berdasarkan hasil penelitian, metode Naïve Bayes menghasilkan akurasi sebesar 88,57%, sedangkan metode Correlated Naïve Bayes menunjukkan akurasi yang lebih tinggi, yaitu 91,42%.Dengan demikian, metode Correlated Naïve Bayes terbukti lebih unggul dalam klasifikasi penyakit kanker payudara, dengan peningkatan akurasi sebesar 2,85% dibandingkan dengan Naïve Bayes.Saran untuk penelitian selanjutnya adalah membandingkan metode Naïve Bayes dan Correlated Naïve Bayes dengan metode machine learning lainnya serta menerapkan seleksi fitur menggunakan teknik seperti PSO, Information Gain, dan Genetic Algorithm, serta menguji model pada dataset yang lebih besar untuk mengevaluasi kestabilan dan generalisasi.Eksperimen dengan algoritma lain seperti SVM atau Random Forest juga dapat memberikan wawasan tambahan dalam memprediksi penyakit kanker payudara.

Untuk penelitian lanjutan, disarankan untuk melakukan perbandingan antara metode Correlated Naïve Bayes dengan metode-metode machine learning lainnya, seperti SVM atau Random Forest, untuk melihat performa klasifikasi penyakit kanker payudara secara lebih komprehensif. Selain itu, penerapan seleksi fitur menggunakan teknik-teknik seperti PSO, Information Gain, atau Genetic Algorithm dapat meningkatkan akurasi dan efisiensi model. Menguji model pada dataset yang lebih besar juga akan membantu mengevaluasi kestabilan dan generalisasi model, sehingga dapat diterapkan pada kasus-kasus nyata dengan lebih baik. Dengan demikian, penelitian ini dapat memberikan kontribusi yang signifikan dalam pengembangan metodologi klasifikasi penyakit kanker payudara.

  1. PENERAPAN METODE CORRELATED NAÏVE BAYES UNTUK KLASIFIKASI PENYAKIT KANKER PAYUDARA | JOISIE... doi.org/10.35145/joisie.v9i1.4769PENERAPAN METODE CORRELATED NAyEAaVE BAYES UNTUK KLASIFIKASI PENYAKIT KANKER PAYUDARA JOISIE doi 10 35145 joisie v9i1 4769
Read online
File size357.88 KB
Pages9
DMCAReport

Related /

ads-block-test