<![CDATA[Kanker payudara merupakan salah satu penyebab kematian tertinggi pada perempuan di dunia, di mana tantangan utamanya terletak pada risiko kekambuhan (recurrence). Penelitian ini bertujuan untuk membangun model prediksi kekambuhan kanker payudara dengan membandingkan tiga algoritma machine learning, yaitu Logistic Regression, Decision Tree, dan Random Forest, berdasarkan karakteristik tumor dari dataset METABRIC. Tahapan penelitian meliputi pra-pemrosesan data, seleksi fitur klinis, dan pembagian data dengan rasio 80:20. Hasil evaluasi menunjukkan bahwa Logistic Regression memiliki performa terbaik dalam hal akurasi (0,661) dan ROC-AUC (0,689), sementara Random Forest menunjukkan keunggulan pada metrik recall (0,544) yang krusial untuk deteksi pasien berisiko. Analisis feature importance mengidentifikasi bahwa jumlah mutasi genetik (Mutation Count), Nottingham Prognostic Index (NPI), dan ukuran tumor merupakan faktor paling dominan dalam memprediksi kekambuhan. Penelitian ini menyimpulkan bahwa karakteristik biologis tumor memiliki pengaruh signifikan terhadap risiko kekambuhan dan penggunaan machine learning berpotensi besar menjadi sistem pendukung keputusan klinis untuk stratifikasi risiko pasien secara objektif. Kata kunci - Kanker Payudara, Kekambuhan, Machine Learning, METABRIC, Karakteristik Tumor]]>
Copyrights © 2026
