Article Per Year (5 Year)
p-Index From 2021 - 2026
1.784
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah FIFO Jurnal Riset dan Aplikasi Mahasiswa Informatika (JRAMI) Jurnal Rekayasa Komputasi Terapan Kapas: Kumpulan Artikel Pengabdian Masyarakat Seminar Nasional Riset dan Teknologi (SEMNAS RISTEK)
marsiani, ega shela
Unknown Affiliation
Civil Engineering, Building, Construction & Architecture Computer Science & IT Education Engineering Social Sciences Other

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
Klasifikasi Diagnosis untuk Penyakit Kanker Serviks Menggunakan Algoritma Extreme Gradient Boosting (XGBoost) Opitasari, Opitasari; Natsir, Fauzan; Marsiani, Ega Shela
Jurnal Ilmiah FIFO Vol 16, No 1 (2024)
Publisher : Fakultas Ilmu Komputer

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22441/fifo.2024.v16i1.006

Abstract

Kanker serviks yang juga biasa dikenal dengan kanker mulut leher rahim merupakan satu dari beberapa jenis penyakit kanker yang mematikan pada wanita setelah kanker payudara. Menurut survei WHO, dari total kasus kanker di Indonesia, 9,2% kasus di antaranya adalah kanker serviks dengan jumlah 36.633 kasus. Sulitnya menentukan gejala awal pada kanker serviks dikarenakan gejala yang timbul tidak kasat mata sehingga banyak sekali kasus terlambat penanganan pada pasien penderita penyakit ini. Penelitian dilakukan dengan metode XGBoost untuk mengklasifikasi gejala awal penyakit kanker serviks dengan menggunakan dataset yang diambil dari UCI Repository. XGBoost melakukan optimasi dengan teknik boosting untuk meminimalisir nilai loss function. Jika nilai loss function menghasilkan nilai yang tinggi itu menandakan bahwa model yang dihasilkan sangat buruk, begitu sebaliknya. Evaluasi model ini didapatkan perolehan nilai accuracy sebesar 86%. Perhitungan Accuracy digunakan untuk mencari seberapa tepat model melakukan prediksi dari masing-masing instance, Metric Precision digunakan untuk mencari nilai model klasifikasi dalam mengembalikan instance yang relevan nilai precision pada penelitian 100%, Metric Recall digunakan untuk mengetahui seberapa baik model “mengingat” atau mengidentifikasi nilai instance yang relevan nilai recall pada penelitian ini 82% dan F1-Score atau bisa disebut juga F Measure merupakan nilai rata-rata perbandingan dan keseimbangan dari Precision dan Recall f1-score 90% pada model XGBoost sehingga dapat disimpulkan bahwa XGBoost sangat baik dalam melakukan klasifikasi penyakit kanker serviks.
Co-Authors Al Rasyid, Imam Shidiq Cahyo, Alqomari Ek Ajeng Rahmi Pinahayu Fauzan Natsir Fitri Ramadhani Hasan, Nur Fitrianingsih Millati Izzatillah Nugraha, Muhammad Bagus Opitasari, Opitasari Pamungkas, Sebastian Guntur Prabowo, Hanggono Arie Puji Lestari, Fibria Anggraini Rahmadani, Ficxy Rahmi Pinahayu, Ek Ajeng Redo Abeputra Sihombing Rismawati, Nofita Sari, Natasyah Indah Sulistyaniningsih, Endang