Perbandingan Metode Ensemble Untuk Meningkatkan Akurasi Algoritm Machine Learning Dalam Memprediksi Penyakit Breast Cancer (Kanker Payudara)

Abstract

Machine Learning merupakan suatu teknologi pembelajaran mesin yang dapat digunakan untuk memudahkan pekerjaan berbagai bidang, salah satunya yaitu pada bidang kesehatan. Machine Learning dalam bidang kesehatan dapat digunakan dalam memprediksi atau mendiagnosa suatu penyakit yang dihasilkan berdasarkan dataset. Kanker payudara (breast cancer) merupakan salah satu penyakit yang mematikan khususnya banyak diderita oleh wanita, oleh karena itu perlu adanya diagnosa dini terkait penyakit kanker payudara agar penanganan dapat dilakukan dengan tepat serta mencegah adanya penyebaran kanker pada tubuh. Penelitian sebelumnya telah membahas tentang diagnosa penyakit kanker payudara namun tingkat akurasi masih rendah sehingga perlu adanya teknik peningkatan akurasi untuk dapat memberikan informasi yang akurat. Tujuan dalam penelitian ini yaitu membandingkan metode Ensemble menggunakan algoritma Machine Learning yaitu Decision Tree, Naïve Bayes, dan K-Nearest Neighbor (KNN), untuk meningkatkan akurasi dalam memprediksi penyakit Kanker Payudara. Metode ensemble yang digunakan dalam penelitian ini yaitu Adaboost dan Bagging. Hasil penelitian menunjukan bahwa terdapat peningkatan pada algoritma klasifikasi menggunakan metode ensemble. Metode paling unggul yaitu Algoritma Decision Tree dan Metode ensamble yang menghasilkan akurasi sebesar yaitu 82.76%. Pada nilai AUC tertinggi diperoleh dari algoritma KNN yang dikombinasikan dengan metode Bagging yaitu sebesar 0.950 dengan kategori sangat baik.