Analisis Perbandingan Algoritma Support Vector Machine dan Random Forest dengan Seleksi Fitur Sequential, Chi-Square, dan Embedded Pada Penyakit Kanker Payudara
Tahun 2024 · Penulis: Nico Wibiyanto
Faculty of Computer Science, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/15843
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
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 kanker payudara mempunyai beberapa tanda, seperti mempunyai benjolan kecil bulat, dan lembut untuk kanker payudara jinak sehingga memiliki keadaan dan pertumbuhan yang tidak bersifat kanker dan sebaliknya untuk kanker payudara ganas mempunyai bentuk yang tidak simetris, kasar, terasa nyeri, dan lainnya. Jika dibiarkan, tumor dapat menyebar ke seluruh tubuh dan memiliki resiko kematian. Penelitian ini bertujuan membandingkan kinerja model menggunakan algoritma Support Vector Machine dan Random Forest dengan Seleksi Fitur Sequential, Chi-Square, dan Embedded pada klasfikasi penyakit kanker payudara serta menerapkan tuning hyperparameter menggunakan grid search. Dataset yang digunakan dalam penelitian ini adalah data Wisconsin Breast Cancer yang berasal dari UCI Machine Learning Repository dengan total 569 baris data, 30 fitur, dan 1 label kelas. Metode evaluasi performa model yang digunakan yakni Confusion matrix dengan mengukur tingkat akurasi, presisi, recall, dan f1-score yang dihasilkan oleh model. Kinerja terbaik diperoleh oleh model menggunakan algoritma Support Vector Machine dengan hyperparameter tuning grid search menggunakan 20 kombinasi fitur terbaik hasil dari seleksi fitur Chi Square. Model ini memiliki nilai akurasi 98,25%, presisi 97,87%, recall 97,87% dan F1 Score 98,92% serta waktu efirensi 1.18 detik menggunakan splitting 80:20 dan untuk cross validatoin 5 Kfold memiliki hasil yaitu SVM dengan fitur lengkap tanpa tuning dan waktu efirensinya 0,07 detik. Hasil yang didapatkan adalah akurasi 98,24%, presisi 98,59%, recall 96,8% dan F1 score 97,64%. Kata kunci:
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,883
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 0,874
Tahun 2025 · Penulis: Augusta Ahmad Bintang Widigdo
Klasifikasi Penyakit Tiroid Menggunakan Support Vector Machine dengan Optimasi Firefly dan Seleksi Fitur Lasso
Kanker tiroid merupakan jenis kanker yang menyerang kelenjar tiroid, yaitu organ berbentuk kupu-kupu yang terletak di bagian depan leher dan berperan penting dalam mengatur metabolisme tubuh. Deteksi dini kanker ini sangatlah krusial, mengingat gejalanya serin
- Cosine 0,854
Tahun 2026 · Penulis: Shintia Anggi Dwi Pramieta
Klasifikasi Kanker Serviks Dengan Seleksi Fitur Recursive Feature Elimination dan Forward Selection Berbasis Website
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,