PERFORMA METODE MACHINE LEARNING DALAM KLASIFIKASI DATA KANKER PAYUDARA

ABSTRAK

Pengujian performa berbagai metode pada sebuah dataset merupakan salah satu cara dalam penetapan metode klasifikasi yang memiliki performa terbaik, masalah yang diangkat pada penelitian ini adalah membandingkan performa beberapa metode klasifikasi yang dikombinasikan dengan beberapa fitur seleksi dalam mengelola dataset kanker payudara. Penelitian ini fokus membandingkan hasil performa tiga metode klasifikasi yaitu Random Forest (RF), K-Nearest Neighbor (KNN), dan Neural Netowork (NN). Objek pada penelitian ini berupa dataset kanker payudara yang berasal dari situs Kaggle. Dataset yang diuji terdiri dari 569 data, 30 fitur numerik, dan 2 kelas. Metode klasifikasi dikombinasikan dengan 2 fitur seleksi yaitu information gain dan chi-square. Hasil pada penelitian ini menunjukkan bahwa seluruh metode mampu menghasilkan performa cukup baik dengan tingkat akurasi diatas 90%. Kesimpulan menunjukkan metode klasifikasi Random Forest dengan feature selection Information Gain dengan 3 fitur menjadi kombinasi yang paling tinggi dengan nilai precision 0,988, recall 0,999, dan f1-score 0,999, nilai accuracy yang didapatkan walaupun bukan yang tertinggi tetapi nilai yang ditunjukan sangat baik yaitu 0,987.

Kata kunci: Klasifikasi, Feature Selection, K-Nearest Neighbor, Neural Network, Random Forest