KLASIFIKASI RANDOM FOREST TERHADAP DIAGNOSA PENYAKIT KANKER PAYUDARA BERDASARKAN STATUS KEGANASAN

Yusrinnatul Jinana triadin; Kusrini Kusrini; Kusnawi Kusnawi

doi:10.46764/teknimedia.v6i1.259

Yusrinnatul Jinana triadin Universitas Amikom Yogyakarta
Kusrini Kusrini Universitas AMIKOM Yogyakarta
Kusnawi Kusnawi Universitas AMIKOM Yogyakarta

DOI: https://doi.org/10.46764/teknimedia.v6i1.259

Kata Kunci: Kanker payudara, Random forest, data mining, dan status keganasan.

Abstrak

Kanker payudara ialah salah satu penyakit dengan tingkat kematian tertinggi di dunia. Terdapat dua jenis kanker payudara, yakni ganas dan jinak. Identifikasi jenisnya memungkinkan pencegahan dan pengobatan yang tepat sebelum menyebar ke organ lain. Oleh karena itu, diperlukan analisis klasifikasi data kanker payudara dalam jumlah besar. Teknik data mining, seperti random forest, dapat dipakai karena mampu memberikan prediksi yang akurat dengan tingkat kesalahan rendah. Hasil penelitian ini menunjukkan bahwa *Random Forest merupakan metode yang efektif dan akurat untuk klasifikasi kanker payudara dengan akurasi 95% serta nilai AUV-ROC sebesar 0.99 dan recall 97% yang menunjukkan kemampuan model dalam membedakan kedua jenis kanker payudara dengan sangat baik sehingga dapat mengurangi resiko. Penggunaan teknik 5-Fold Cross-Validation) memastikan bahwa hasil yang diperoleh stabil dan tidak bergantung pada pem-bagian data tertentu, sehingga meningkatkan gen-eralisasi model. Eksperimen terhadap berbagai parameter (n_estimators, max_depth, ukuran da-ta latih) menunjukkan bahwa konfigurasi terbaik adalah n_estimators = 100 dan max_depth = 10, yang memberikan keseimbangan optimal antara akurasi dan kompleksitas model. Model ini dapat diterapkan dalam **sistem pendukung keputusan medis (Medical Decision Support System)* untuk membantu dokter dalam *deteksi dini kanker payudara*, sehingga meningkatkan kecepatan dan keakuratan diagnosa.

Referensi

[1] Sung H, F. J. (2022). Global Cancer Observatory (GLOBOCAN). Retrieved from https://gco.iarc.who.int/media/globocan/factsheets/populations/360-indonesia-fact-sheet.pdf
[2] Sadikin, B. G. (2024). Strategi Indonesia dalam Upaya Melawan Kanker . jakarta
[3] Jamaludin, Fajar, A. K., Mutaqin, M. Z., Mutoffar, M. M., & Setiyadi, D. (2024). KLASIFIKASIKANKER PAYUDARA MENGGUNAKAN ALGORITMA NEURAL NETWORK DAN RANDOM FOREST. Jurnal Manajemen Informatika & Sistem Informasi (MISI, DOI : 10.36595/misi.v5i2.
[4] D. Casadei, G. Serra, and K. Tani, “Implemen-tation of a Direct Control Algorithm for In-duction Motors Based on Discrete Space Vector Modulation,” IEEE Transactions on Power Electronics, vol. 15, no. 4, pp.769–777, 2007.
[5] Derisma. (2020). Perbandingan Kinerja Algoritma untuk Prediksi Penyakit Jantung dengan Teknik Data Mining. J. Appl. Informatics Comput, vol. 4,no. 1, pp. 84–88, 2020, doi: 10.30871/jaic.v4i1.2152.
[6] Andryan, M. R., Fajri, M., & Sulistyowati, N. (2022). Komparasi Kinerja Algoritma Xgboost Dan Algoritma Support Vector Ma-chine (Svm) Untuk Diagnosis Penyakit Kanker Payudara. JIKO (Jurnal Informatika Dan Komputer), 6(1), 1. https://doi.org/10.26798/jiko.v6i1.500
[7] Mitra, R. &. (2022). Efficient Prediction of Stroke Patients Using Random Forest Algorithm in Comparison to Support Vector Machine. In Advances in Parallel Computing Algorithms, Tools and Paradigms, (pp. 530–536). https://doi.org/10.3233/apc220075.
[8] Siregar, A. P., Purba, D. P., Pasaribu, J. P., & Bakara, K. R. (2023). Implementasi Algoritma Random Forest Dalam Klasifikasi Diagnosis Penyakit Stroke. Jurnal Penelitian Rumpun Ilmu Teknik (JUPRIT) .
[9] Purnamawati, A., Nugroho, W., Putri, D., & Hidayat, W. F. (2020). Deteksi Penyakit Daun pada Tanaman Padi Memakai Algoritma Decision Tree, Random Forest, Naïve Bayes, SVM dan KNN. INFOTEKJAR:JURNAL NASIONAL INFORMATIKA DAN TEKNOLOGI JARINGAN.
[10] Rahmawati, A., Sari, I. U., & Sumarti, H. (2024). Klasifikasi Tumor Payudara jinak dan ganas pada citra ultrasonografi (USG) berdasarkan karakteristik tekstur memakai metode Random Forest. Teras Fisika.