PREDIKSI KANKER PAYUDARA DENGAN METODE ENSEMBLE LEARNING

Ramadhan Putra Yupu, Gangga (2025) PREDIKSI KANKER PAYUDARA DENGAN METODE ENSEMBLE LEARNING. Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (252kB)
	Text BAB II.pdf Restricted to Registered users only Download (517kB)
	Text BAB III.pdf Restricted to Registered users only Download (411kB)
	Text BAB IV.pdf Restricted to Registered users only Download (940kB)
	Text BAB V.pdf Download (189kB)
	Text DAFTAR PUSTAKA.pdf Download (195kB)

Abstract

Kanker payudara merupakan salah satu penyebab utama kematian pada wanita di dunia. Deteksi dini menjadi langkah penting dalam menurunkan risiko kematian akibat keterlambatan diagnosis. Penelitian ini bertujuan untuk mengembangkan model klasifikasi guna memprediksi jenis kanker payudara, yaitu jinak (benign) atau ganas (malignant), menggunakan metode ensemble learning. Lima algoritma ensemble yang digunakan yaitu Random Forest, AdaBoost, XGBoost, LightGBM, dan ExtraTrees. Sebagai pembanding, digunakan juga algoritma dasar Decision Tree. Dataset yang digunakan adalah Breast Cancer Wisconsin (Original) yang diperoleh dari situs Kaggle dan berisi 683 data pasien dengan 11 atribut. Penelitian ini melalui tahapan preprocessing data, pelatihan model, pengujian, serta evaluasi performa model menggunakan metrik klasifikasi seperti accuracy, precision, recall, F1-score, dan AUC-ROC. Hasil penelitian menunjukkan bahwa model LightGBM memberikan performa terbaik dengan nilai accuracy sebesar 97,08%, precision 98,21%, recall 94,83%, F1-score 96,49%, dan AUC-ROC sebesar 99,48%. Model Random Forest dan ExtraTrees juga memberikan hasil yang kompetitif. Berdasarkan hasil tersebut, LightGBM direkomendasikan sebagai model paling optimal untuk prediksi kanker payudara pada dataset ini. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem pendukung keputusan medis berbasis kecerdasan buatan.

Actions (login required)

View Item