Klasifikasi dalam Mendeteksi Penyakit Kanker Payudara dengan Menggunakan Metode Random Forest dan Adaboost

Erisa Rizkyani, Nur Aliffiyanti Iskandar, Nurul Chamidah

Abstract


Di Indonesia kanker payudara menempati posisi kedua dengan angka kematian mencapai 20.052 jiwa atau sebesar 1,41%. Berdasarkan data statistik GLOBOCAN 2018, tercatat 2,1 juta kasus kanker dengan jumlah meninggal 626 ribu jiwa. Angka ini akan terus meningkat apabila tidak adanya upaya penanganan secepat mungkin. Oleh karena itu diperlukan deteksi sedini mungkin dari kanker payudara, pendeteksian tersebut berguna untuk menentukan perencanaan pengobatan yang akan diambil. Adapun tujuan penelitian ini adalah memperoleh hasil akurasi yang optimal dalam mengklasifikasi dalam pendeteksian penyakit kanker payudara dengan menggunakan Metode Random Forest dan Adaboost. Berdasarkan penelitian yang telah kami lakukan, diperoleh nilai akurasi dengan menggunakan Random Forest sebesar 95% dan nilai akurasi dengan menggunakan menggunakan Adaboost sebesar 70%. Hal ini menunjukkan bahwa pendeteksian penyakit kanker payudara menggunakan Random Forest lebih baik digunakan dibandingkan dengan menggunakan Adaboost.


Keywords


Random Forest; Adaboost; Kanker

References


Fauzi, Ahmad, Riki Supriyadi, & Nurlaelatul Maulidah. 2020. “Deteksi Penyakit Kanker Payudara Dengan Seleksi Fitur Berbasis Principal Component Analysis Dan Random Forest”. Jurnal Infortech. Vol. 2 No. 1. Juni.

Bustamam, A., Bachtiar, A., Sarwinda, D. 2019. “Selecting Features Subsets Based On Support Vector Machine-recursive Features Elimination And One Dimensional-naïve Bayes Classifier Using Support Vector Machines For Classification Of Prostate And Breast Cancer”. Procedia Computer Science, 157, 450–458. https://doi.org/10.1016/j.procs.2019.08.238

Harafani, Hani. 2019. “Forward Selection Pada Support Vector Machine Untuk Memprediksi Kanker Payudara”. Jurnal Infortech. Vol. 1 No. 2. Desember.

Saada, Ghada, Ahmad Khadoura, & Qosai Kanafanib. 2016. “ANN and Adaboost application for automatic detection of microcalcifications in breast cancer”. The Egyptian Journal of Radiology and Nuclear Medicine. Volume 47, Issue 4, December 2016, Pages 1803-1814. https://doi.org/10.1016/j.ejrnm.2016.08.020

Siburian, Vanissa Wanika, & Ika Elvina Mulyana. "Prediksi Harga Ponsel Menggunakan Metode Random Forest." Annual Research Seminar (ARS). Vol. 4. No. 1. 2019

Listiana, Eka, & Much Aziz Muslim. "Penerapan Adaboost Untuk Klasifikasi Support Vector Machine Guna Meningkatkan Akurasi Pada Diagnosa Chronic Kidney Disease." Prosiding SNATIF (2017): 875-881.

Yoga, Taghfiruh Azhima, Prihandoko. 2018. “Penerapan Optimasi Berbasis Particle Swarm Optimization (Pso) Algoritma Naïve Bayes Dan K-nearest Neighbor Sebagai Perbandingan Untuk Mencari Kinerja Terbaik Dalam Mendeteksi Kanker Payudara”. Metik Jurnal. Vol.2. No.2

Tempola, Firman, Miftah Muhammad, & Amal Khairan. "Perbandingan Klasifikasi Antara KNN dan Naive Bayes pada Penentuan Status Gunung Berapi dengan K-Fold Cross Validation." Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK) 5.5 (2018).

Hadikristanto, Wahyu, & Vidya Anis Fitri. "Penerapan Algoritma Naïve Bayes Berbasis Particle Swarm Optimization (Pso) Dalam Menangani Kasus Kanker Payudara." Jurnal SIGMA 9.1 (2019): 111-120.

Haristu, Reinardus Aji. 2019. “Penerapan Metode Random Forest Untuk Prediksi Wint Ratio Pemain Player Unknown Battleground”. Diakses dari https://repository.usd.ac.id pada tanggal 13 Agustus 2021


Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Senamika

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.