<![CDATA[Penelitian ini bertujuan untuk mengembangkan model deteksi kanker payudara menggunakan algoritma Extreme Gradient Boosting (XGBoost) pada Breast Cancer Wisconsin Diagnostic Dataset. Dataset terdiri dari 569 sampel dengan 30 fitur medis yang merepresentasikan karakteristik morfologi tumor, dengan dua kelas target yaitu benign (jinak) dan malignant (ganas). Tahapan penelitian meliputi pembersihan data, imputasi nilai hilang, normalisasi fitur, serta penerapan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk menangani ketidakseimbangan kelas. Model XGBoost dievaluasi menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa model mencapai akurasi sebesar 94,55%, dengan nilai recall kelas malignant sebesar 95,24%, yang mengindikasikan kemampuan tinggi dalam mendeteksi kanker ganas. Confusion matrix menunjukkan hanya 2 kasus false negative, menandakan sensitivitas model yang sangat baik terhadap kelas minoritas. Dibandingkan dengan model tanpa SMOTE, penerapan SMOTE terbukti meningkatkan recall pada kelas malignant secara signifikan. Hasil penelitian ini menunjukkan bahwa algoritma XGBoost dengan penanganan imbalance class efektif digunakan sebagai sistem pendukung keputusan dalam diagnosis kanker payudara dan berpotensi membantu deteksi dini secara lebih akurat.]]>
Copyrights © 2026
