Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal KARMAPATI (Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika) ISSN: 2252-9063
Ida Kade Weda Sanjaya Kemenuh
Universitas Pendidikan Ganesha
Computer Science & IT Education

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Komparasi Kinerja Algoritma K-Nearest Neighbor, Support Vector Machine, dan Naive Bayes pada Klasifikasi Kanker Payudara Wisconsin Diagnostic Ida Kade Weda Sanjaya Kemenuh; I Made Agus Wirawan
KARMAPATI (Kumpulan Artikel Mahasiswa Pendidikan Teknik Informatika) Vol. 15 No. 3 (2026): ONGOING : Karmapati Vol 15 No 3 Tahun 2026
Publisher : Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/karmapati.v15i3.114495

Abstract

Pemilihan algoritma klasifikasi yang tepat menjadi aspek penting dalam penerapan machine learning, terutama pada data berdimensi tinggi yang membutuhkan keseimbangan antara akurasi dan kemampuan mengenali kelas berisiko. Penelitian ini bertujuan membandingkan kinerja K-Nearest Neighbor (KNN), Support Vector Machine (SVM), dan Gaussian Naive Bayes pada klasifikasi kanker payudara menggunakan Wisconsin Diagnostic Breast Cancer Dataset. Dataset sekunder dari UCI Machine Learning Repository terdiri atas 569 sampel, 30 fitur numerik, dan dua kelas diagnosis, yaitu benign dan malignant. Tahapan penelitian meliputi pembagian data stratified 80:20, standardisasi fitur, pelatihan model, validasi silang lima lipatan pada data latih, dan pengujian pada data uji. Evaluasi dilakukan menggunakan akurasi, presisi, recall, F1-score, ROC-AUC, dan confusion matrix dengan kelas malignant sebagai kelas positif. Hasil pengujian menunjukkan bahwa SVM memperoleh kinerja terbaik dengan akurasi 0,9649, presisi 1,0000, recall 0,9048, F1-score 0,9500, dan ROC-AUC 0,9914. KNN berada pada posisi kedua dengan F1-score 0,9383, sedangkan Naive Bayes memperoleh F1-score 0,8889. Hasil ini menunjukkan bahwa SVM linear efektif untuk data numerik berdimensi menengah dengan pola pemisahan yang relatif jelas, namun validasi pada data eksternal tetap diperlukan sebelum diterapkan pada konteks klinis nyata.
Co-Authors M.Cs S.Kom I Made Agus Wirawan .