<![CDATA[Kanker payudara merupakan salah satu penyakit dengan tingkat kematian yang tinggi sehingga membutuhkan metode diagnosis yang cepat dan akurat. Namun, pemilihan model machine learning yang tepat serta penentuan hyperparameter yang optimal masih menjadi tantangan dalam proses klasifikasi data medis. Selain itu, proses pemilihan model secara manual cenderung memakan waktu dan tidak selalu menghasilkan performa terbaik. Penelitian ini bertujuan untuk menentukan model klasifikasi terbaik menggunakan TPOT (Automated Machine Learning), mengimplementasikan model HistGradientBoostingClassifier secara manual, mengoptimasi performa model menggunakan Particle Swarm Optimization (PSO), serta menganalisis perbandingan performa antara model baseline, model hasil TPOT, dan model hasil optimasi PSO pada dataset Breast Cancer Wisconsin (Diagnostic). Metode yang digunakan meliputi tahapan data understanding, exploratory data analysis (EDA), preprocessing data, pemodelan menggunakan TPOT, pembangunan model baseline, serta optimasi hyperparameter menggunakan PSO. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa TPOT berhasil menentukan HistGradientBoostingClassifier sebagai model terbaik. Model baseline menghasilkan akurasi sebesar 95,61%, sedangkan optimasi menggunakan PSO mampu meningkatkan akurasi menjadi 97,00% dan meningkatkan recall pada kelas Malignant dari 0,93 menjadi 0,99. Perbandingan ketiga model menunjukkan bahwa integrasi TPOT dan PSO memberikan hasil yang lebih efektif dan efisien dibandingkan pendekatan manual, terutama dalam meningkatkan sensitivitas deteksi kasus kanker ganas. Dengan demikian, penelitian ini membuktikan bahwa penggunaan Automated Machine Learning yang dikombinasikan dengan metode optimasi mampu meningkatkan performa klasifikasi pada data medis, khususnya dalam deteksi kanker payudara.]]>
