PREDIKSI KANKER PAYUDARA DENGAN METODE ENSEMBLE LEARNING

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

Preview	Text BAB I.pdf Download (252kB) | Preview
	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)
Preview	Text BAB V.pdf Download (189kB) | Preview
Preview	Text DAFTAR PUSTAKA.pdf Download (195kB) | Preview

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.

Item Type:	Thesis (Skripsi)
Subjects:	Analisis Sistem Informasi
Divisions:	Skripsi > Teknik Informatika > 2025
Depositing User:	Digital Library
Date Deposited:	31 Mar 2026 04:04
Last Modified:	31 Mar 2026 04:04
URI:	https://repository.unama.ac.id/id/eprint/5401

Actions (login required)

View Item