Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Teknik Informatika UNIKA Santo Thomas Jurnal Teknik Informatika Unika Santo Thomas (JTIUST)
Nur Cahyo IA, Nur Cahyo IA
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Analisis Komparatif Metode Ensemble Learning pada Prediksi Kanker Payudara Nur Cahyo IA, Nur Cahyo IA; Wibisono, Setyawan
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk menganalisis dan membandingkan performa tiga metode ensemble learning, yaitu Random Forest, AdaBoost, dan XGBoost, dalam mengklasifikasikan data kanker payudara. Dataset yang digunakan adalah Wisconsin Breast Cancer (WBC) dari UCI Machine Learning Repository. Metode ensemble diterapkan karena kemampuannya dalam meningkatkan stabilitas dan akurasi prediksi dengan menggabungkan beberapa model dasar. Evaluasi dilakukan dengan menggunakan metrik akurasi, presisi, recall, F1-score, serta confusion matrix dan AUC, dengan pendekatan validasi silang 10-fold. Hasil penelitian menunjukkan bahwa AdaBoost memberikan hasil paling seimbang dengan akurasi tertinggi sebesar 96,31% dan kesalahan klasifikasi paling minimal. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem deteksi dini kanker berbasis machine learning.
Analisis Komparatif Metode Ensemble Learning pada Prediksi Kanker Payudara Nur Cahyo IA, Nur Cahyo IA; Wibisono, Setyawan
Jurnal Teknik Informatika UNIKA Santo Thomas Vol 10 No. 1 : Tahun 2025
Publisher : LPPM UNIKA Santo Thomas

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk menganalisis dan membandingkan performa tiga metode ensemble learning, yaitu Random Forest, AdaBoost, dan XGBoost, dalam mengklasifikasikan data kanker payudara. Dataset yang digunakan adalah Wisconsin Breast Cancer (WBC) dari UCI Machine Learning Repository. Metode ensemble diterapkan karena kemampuannya dalam meningkatkan stabilitas dan akurasi prediksi dengan menggabungkan beberapa model dasar. Evaluasi dilakukan dengan menggunakan metrik akurasi, presisi, recall, F1-score, serta confusion matrix dan AUC, dengan pendekatan validasi silang 10-fold. Hasil penelitian menunjukkan bahwa AdaBoost memberikan hasil paling seimbang dengan akurasi tertinggi sebesar 96,31% dan kesalahan klasifikasi paling minimal. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem deteksi dini kanker berbasis machine learning.
Co-Authors Setyawan Wibisono