PERBANDINGAN KINERJA METODE SUPPORT VECTOR MACHINE (SVM) DAN REGRESI LOGISTIK DALAM PREDIKSI KANKER PAYUDARA DENGAN MENGGUNAKAN DATA SKLEARN

PERBANDINGAN KINERJA METODE SUPPORT VECTOR MACHINE (SVM) DAN REGRESI LOGISTIK DALAM PREDIKSI KANKER PAYUDARA DENGAN MENGGUNAKAN DATA SKLEARN

• By RAKASIWI GALIH;
• Skripsi
• 4
• 1-73

Kanker payudara adalah jenis kanker umum di antara wanita, dan deteksi dini sangat penting untuk meningkatkan peluang kesembuhan dan mengurangi angka kematian. Penggunaan pembelajaran mesin dalam deteksi kanker payudara menunjukkan potensi signifikan dalam membantu profesional medis. Penelitian ini membandingkan kinerja dua algoritma pembelajaran mesin, yaitu Support Vector Machine (SVM) dan Regresi Logistik, dalam mendeteksi kanker payudara. Dataset kanker payudara dari UCI Machine Learning Repository dibagi menjadi data latih dan uji dengan rasio 80:20 dan diskalakan menggunakan StandardScaler. Dua model, SVM dengan kernel linear dan Regresi Logistik, dilatih dan diuji. Evaluasi menggunakan metrik akurasi, presisi, recall, dan confusion matrix. K-Fold Cross Validation dengan 10 fold digunakan untuk estimasi kinerja yang lebih akurat. Hasil menunjukkan bahwa model SVM mencapai akurasi 0.9561, presisi 0.9714, dan recall 0.9577. Model Regresi Logistik mencapai akurasi 0.9737, presisi 0.9722, dan recall 0.9859, yang menunjukkan performa lebih baik. Namun, 10-fold Cross Validation menunjukkan bahwa akurasi rata-rata SVM adalah 0.9577, sedangkan Regresi Logistik adalah 0.9490, menunjukkan performa SVM yang lebih konsisten. Kesimpulannya, SVM menunjukkan sedikit keunggulan dibandingkan Regresi Logistik dalam mendeteksi kanker payudara. Kedua model menunjukkan kinerja sangat baik dan dapat menjadi alat efektif dalam deteksi dini kanker payudara.

• Katakunci Regresi logistik, Support Vector Machine, akurasi, scikit-learn, K fold Cross Validation, Kanker Payudara
• URL http://
• Penerbit ,

REFERENSI

Abu Tholib, M. K. (2023). Buku Refrensi Implementasi Algoritma Machine Learning Berbasis Web dengan Framework Streamlit. https://pustakanurja.unuja.ac.id

Aditya, A., Wahyuddin, P., Leo, S., Santoso, W., Wahyu, G., Wibowo, N., Khrisna, A., Rahmaddeni, W., Wahidin, A. J., Eka, G., Elisawati, Y., Rizqi, R., & Abdurrasyid, W. (2023). MACHINE LEARNING. www.globaleksekutifteknologi.co.id

Ahmad Rijal Arifin, A. I. A. R. F. S. R. Y. A. R. F. A. D. A. (2022). 369-Article Text-1498-1-10-20220715.

Ainun, A., Halim, D., & Anraeni, S. (2021). Analisis Klasifikasi Dataset Citra Penyakit Pneumonia Menggunakan Metode K-Nearest Neighbor (KNN). Indonesian Journal of Data and Science (IJODAS), 2(1), 1–12.

Chazar, C., & Widhiaputra, B. E. (2020). INFORMASI (Jurnal Informatika dan Sistem Informasi) Machine Learning Diagnosis Kanker Payudara Menggunakan Algoritma Support Vector Machine.

Eci Darmawan, A. R. , E. K. A. (2023). Eci Darmawan, Pengolahan Citra Menggunakan Border Following Dan Support Vector Machine Pengolahan Citra Menggunakan Border Following Dan Support Vector Machine (SVM) Dalam Mengidentifikasi Kerusakan Jalan Raya.

Erwandi, R. (2020). Klasifikasi Kanker Payudara Menggunakan Residual Neural Network. https://doi.org/10.21108/indojc.2020.5.1.373

Febrian, F. (2020). Perbandingan Teknik Klasifikasi Neural Network, Support Vector Machine, dan Naive Bayes dalam Mendeteksi Kanker Payudara. BINA INSANI ICT JOURNAL, 7(1), 53–62.

Firmansyach, W. A., Hayati, U., & Wijaya, Y. A. (2023). ANALISA TERJADINYA OVERFITTING DAN UNDERFITTING PADA ALGORITMA NAIVE BAYES DAN DECISION TREE DENGAN TEKNIK CROSS VALIDATION. In Jurnal Mahasiswa Teknik Informatika (Vol. 7, Issue 1).

Fitrianah, D., Dwiasnati, S., H, H. H., & Baihaqi, K. A. (2021). Penerapan Metode Machine Learning untuk Prediksi Nasabah Potensial menggunakan Algoritma Klasifikasi Naïve Bayes. Faktor Exacta, 14(2), 92. https://doi.org/10.30998/faktorexacta.v14i2.9297

Imam Whidyarto, st M. (2023). Prediksi Curah Hujan Dari Data Satelit Himawari-8 Menggunakan Metode Random Forest (Vol. 10, Issue 1).

Judu, H. (2023). KLASIFIKASI KANKER PAYUDARA MENGGUNAKAN METODE RANDOM FOREST.

Karim, A. (2020). Perbandingan Prediksi Kemiskinan di Indonesia Menggunakan Support Vector Machine (SVM) dengan Regresi Linear. Jurnal Sains Matematika Dan Statistika, 6(1).

Kusmardika. (2020). Dina Amalia Kusmardika, 2020.

KUSUMA, J., HAYADI, B. H., WANAYUMINI, W., & ROSNELLY, R. (2022). Komparasi Metode Multi Layer Perceptron (MLP) dan Support Vector Machine (SVM) untuk Klasifikasi Kanker Payudara. MIND Journal, 7(1), 51–60. https://doi.org/10.26760/mindjournal.v7i1.51-60

Manalu, D. A., & Gunadi, G. (2022). IMPLEMENTASI METODE DATA MINING K-MEANS CLUSTERING TERHADAP DATA PEMBAYARAN TRANSAKSI MENGGUNAKAN BAHASA PEMROGRAMAN PYTHON PADA CV DIGITAL DIMENSI. Infotech: Journal of Technology Information, 8(1), 43–54. https://doi.org/10.37365/jti.v8i1.131

Mardiana, L., Kusnandar, D., & Satyahadewi, N. (2022a). ANALISIS DISKRIMINAN DENGAN K FOLD CROSS VALIDATION UNTUK KLASIFIKASI KUALITAS AIR DI KOTA PONTIANAK. In Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) (Vol. 11, Issue 1).

Mardiana, L., Kusnandar, D., & Satyahadewi, N. (2022b). ANALISIS DISKRIMINAN DENGAN K FOLD CROSS VALIDATION UNTUK KLASIFIKASI KUALITAS AIR DI KOTA PONTIANAK. In Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) (Vol. 11, Issue 1).

Ni Luh Wiwik Sri Rahayu Ginantra, F. N. A. A. H. W. R. S. S. N. A. D. P. Y. A. F. E. A. I. H. I. Y. S. Z. G. C. P. D. G. E. S. N. (2021). 1.2 FullBook Data Mining dan Penerapan Algoritma. 26.

Raharjo, B. (2021). P Y YAYASAN PRIMA AGUS TEKNIK YAYASAN PRIMA AGUS TEKNIK YAYASAN PRIMA AGUS TEKNIK Pembelajaran Mesin (Machine Learning).

Ranti, N., 1*, M., & Hanif, K. H. (2022). Klasifikasi Penyakit Kanker Payudara Menggunakan Perbandingan Algoritma Machine Learning. 3(1), 1–6. http://creativecommons.org/licences/by/4.0/

Ravly Andryan, M., Fajri, M., Nina Sulistyowati, dan, Informatika, T., Singaperbangsa Karawang Jl Ronggo Waluyo, U. H., Timur, T., & Barat, J. (2022). KOMPARASI KINERJA ALGORITMA XGBOOST DAN ALGORITMA SUPPORT VECTOR MACHINE (SVM) UNTUK DIAGNOSA PENYAKIT KANKER PAYUDARA. Jurnal Informatika Dan Komputer), 6(1), 1–5.

Santoso, J. T., Kom, S., Kom, M., Buatan, K., & Syaraf Buatan, J. (2021). Kecerdasan Buatan  & Jaringan Syaraf Buatan.

Shandra Ayu Hapsary Maharany, S. S. H. S. F. (2021). 30637-66094-1-SM.

Siswo Adiguno, Y. S. Y. (2022). 5331-8141-1-PB.

Susetyoko, R., Yuwono, W., Purwantini, E., & Ramadijanti, N. (2022). Perbandingan Metode Random Forest, Regresi Logistik, Naïve Bayes, dan Multilayer Perceptron Pada Klasifikasi Uang Kuliah Tunggal (UKT). 7(1).

Ni Luh Wiwik Sri Rahayu Ginantra, Fatimah Nur Arifah Anggi Hadi Wijaya, Ri Sabti Septarini, Nazaruddin Ahmad Dewa Putu Yudhi Ardiana, Faried Effendy, Akbar Iskandar Hazriani, Ika Yusnita Sari, Zelvi Gustiana Cahyo Prianto, Dudih Gustian, Edi Surya Negara(2021). Data Mining dan Penerapan Algoritma

Aditya, Angga, Wahyuddin, Permana(2023).Machine Learning

Raharjo, Budi. (2021). Pembelajaran Mesin (Machine Learning)

Abu Tholib, M.Kom. (2023). Buku Refrensi Implementasi Algoritma Machine Learning Berbasis Web dengan Framework Streamlit

Santoso, Joseph Teguh. (2021). Kecerdasan Buatan & Jaringan Syaraf Buatan