<![CDATA[Cancer payudara merupakan salah satu penyakit dengan tingkat kejadian dan kematian yang tinggi pada perempuan sehingga membutuhkan metode diagnosis yang cepat dan akurat. Penelitian ini bertujuan mengevaluasi dan membandingkan performa lima algoritma machine learning dalam mengklasifikasikan cancer payudara sebagai jinak dan ganas menggunakan dataset Breast Cancer Wisconsin Diagnostic yang terdiri atas 569 observasi dan 30 fitur numerik karakteristik inti sel. Algoritma yang dibandingkan meliputi Logistic Regression, Decision Tree, Random Forest Classifier, Support Vector Machine, dan K-Nearest Neighbors. Evaluasi dilakukan pada 171 data uji menggunakan accuracy, precision, recall, F1-score, confusion matrix, dan ROC-AUC. Hasil penelitian menunjukkan bahwa Logistic Regression memberikan performa terbaik dengan accuracy sebesar 98,83%, precision 0,98, recall 0,98, F1-score 0,98, dan ROC-AUC 1,00. Model ini hanya menghasilkan satu false negative dan satu false positive. Support Vector Machine menempati urutan kedua dengan accuracy 97,66% dan ROC-AUC 1,00, diikuti K-Nearest Neighbors sebesar 95,91%, Random Forest sebesar 93,57%, dan Decision Tree sebesar 91,81%. Hasil tersebut menunjukkan bahwa Logistic Regression memiliki keseimbangan terbaik antara kemampuan mendeteksi cancer ganas dan mengenali cancer jinak. Model ini dapat digunakan sebagai model acuan dalam klasifikasi cancer payudara pada dataset WDBC. Namun, penerapan klinis masih memerlukan validasi eksternal menggunakan data yang lebih besar dan beragam.]]>
Copyrights © 2025
