<![CDATA[Kanker merupakan salah satu penyakit tidak menular dengan tingkat mortalitas yang tinggi, yang sebagian besar disebabkan oleh keterlambatan dalam proses diagnosis. Oleh karena itu, diperlukan pendekatan deteksi dini yang efektif, akurat, dan mudah diterapkan untuk membantu mengidentifikasi risiko kanker sejak tahap awal. Penelitian ini bertujuan untuk mengembangkan model deteksi dini penyakit kanker menggunakan algoritma Decision Tree berbasis faktor risiko dan gaya hidup. Dataset yang digunakan berasal dari platform Kaggle, yang memuat atribut umum meliputi usia (age), jenis kelamin (gender), indeks massa tubuh (BMI), kebiasaan merokok (smoking), risiko genetik (geneticrisk), aktivitas fisik (physicalactivity), konsumsi alkohol (alcoholintake), serta riwayat kanker (cancerhistory). Label kelas pada dataset bersifat biner, yaitu status diagnosis kanker (ya/tidak), tanpa membedakan jenis kanker secara spesifik. Metodologi penelitian mengacu pada kerangka kerja CRISP-DM. Proses pemodelan dan pengujian dilakukan menggunakan perangkat lunak RapidMiner dengan beberapa skema pembagian data latih dan data uji, yaitu 90:10, 80:20, 70:30, dan 60:40. Evaluasi kinerja model dilakukan menggunakan confusion matrix dengan metrik akurasi, precision, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa performa terbaik diperoleh pada skema pembagian data 90:10, dengan nilai akurasi sebesar 92%, precision 93.76%, recall 83.33%, dan F1-score 88.24%. Hasil ini menunjukkan bahwa algoritma Decision Tree mampu mengklasifikasikan risiko kanker secara efektif berdasarkan faktor risiko umum, serta menghasilkan model yang akurat dan mudah diinterpretasikan. Dengan demikian, penelitian ini memberikan kontribusi dalam pengembangan sistem deteksi dini kanker yang bersifat generik, aplikatif, dan berpotensi diterapkan sebagai sistem pendukung keputusan di bidang kesehatan.]]>
