Klasifikasi Kanker Serviks Dengan Seleksi Fitur Recursive Feature Elimination dan Forward Selection Berbasis Website
Tahun 2026 · Penulis: Shintia Anggi Dwi Pramieta
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/11933
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Kanker merupakan salah satu penyebab utama kematian di dunia, dengan sekitar 9,7 juta kematian dan 20 juta kasus baru pada tahun 2022. Di antara berbagai jenis kanker, kanker serviks menempati urutan keempat sebagai kanker yang paling umum diderita perempuan, dengan sekitar 660.000 kasus baru dilaporkan secara global pada tahun 2022. Di Indonesia, kanker serviks merupakan kanker kedua yang paling umum, dengan sekitar 36.000 kasus baru dan 21.000 kematian setiap tahunnya. Peningkatan jumlah pasien kanker serviks serta terbatasnya ketersediaan dokter spesialis membuat diagnosis dini menjadi tantangan tersendiri. Oleh karena itu, penerapan teknologi informasi, khususnya Machine Learning, berpotensi membantu proses identifikasi dan klasifikasi kanker serviks. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa klasifikasi algoritma Random Forest (RF) dan Decision Tree (DT) yang dikombinasikan dengan metode seleksi fitur Recursive Feature Elimination (RFE) dan Forward Selection (FS) untuk klasifikasi kanker serviks. Selain itu, dikembangkan pula sebuah sistem klasifikasi berbasis web untuk memfasilitasi implementasi model yang diusulkan. Dataset yang digunakan dalam penelitian ini adalah Cervical Cancer (Risk Factors) dataset yang diperoleh dari UCI Machine Learning Repository, dengan atribut Biopsy digunakan sebagai variabel target. Proses penelitian terdiri dari pra-pemrosesan data, pembagian data menggunakan rasio 80:20, seleksi fitur, pengembangan model, dan evaluasi model. Performa model dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa penerapan metode seleksi fitur meningkatkan performa klasifikasi dibandingkan dengan model tanpa seleksi fitur. Selain itu, hasil perbandingan menunjukkan adanya perbedaan performa antara algoritma RF dan DT ketika dikombinasikan dengan metode RFE dan FS. Sistem berbasis web yang dikembangkan mampu mengklasifikasikan risiko kanker serviks secara efektif berdasarkan faktor risiko pasien yang dipilih.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,896
Tahun 2024 · Penulis: Adhitya Hari Saputra
Implementasi Metode Support Vector Machine dan Particle Swarm Optimization dalam Klasifikasi Faktor Risiko Terkena Penyakit Kanker Paru-paru
Kanker adalah penyakit mematikan dengan jumlah kematian tertinggi di dunia, disebabkan oleh pertumbuhan sel yang tidak terkendali dan dapat menyebar ke bagian tubuh lainnya. Menurut data GLOBOCAN 2020, terdapat 19,2 juta kasus baru kanker. Salah satu jenis kan
- Cosine 0,854
Tahun 2024 · Penulis: Nico Wibiyanto
Analisis Perbandingan Algoritma Support Vector Machine dan Random Forest dengan Seleksi Fitur Sequential, Chi-Square, dan Embedded Pada Penyakit Kanker Payudara
Kanker umumnya terkait dengan tumor ganas yang dapat menyebar ke jaringan tubuh yang lebih luas. Kanker payudara terjadi akibat pertumbuhan sel-sel payudara secara berlebih kemudian membentuk tumor yang bersifat jinak (benigna) dan ganas (maligna). Penyakit ka
- Cosine 0,829
Tahun 2026 · Penulis: Monica Caroline Gulo
Implementasi Algoritma Extreme Gradient Boosting (XGBoost) untuk Prediksi Kunjungan Pasien Rawat Jalan Berbasis Website (Studi Kasus: RSD dr. Soebandi Jember)
Pelayanan rawat jalan merupakan salah satu layanan utama rumah sakit yang memerlukan perencanaan operasional yang baik agar pelayanan tetap optimal. Jumlah kunjungan pasien yang berfluktuasi dapat memengaruhi pengalokasian tenaga kesehatan, penyediaan sarana,