Optimasi Fitur Menggunakan Backward Elimination Dan Algoritma SVM Untuk Klasifikasi Kanker Payudara

Farizul Ma’arif, Toni Arifin

Sari


Abstrak

Organisasi Kesehatan Dunia (WHO) tahun 2004, menyatakan bahwa 5 besar kanker di dunia adalah kanker paru-paru, kanker payudara, kanker usus besar, kanker lambung, dan kanker hati. WHO mengestimasikan bahwa 84 juta orang meninggal akibat kanker dalam rentang waktu 2005-2015. Survei yang dilakukan WHO menyatakan 8 sampai 9% wanita mengalami kanker payudara. Hal itu membuat kanker payudara sebagai jenis kanker yang paling banyak ditemui pada wanita setelah kanker leher rahim. Pada penelitian ini dilakukan klasifikasi tingkat keganasan breast cancer dengan menggunakan metode optimasi fitur Backward Elimination dan Support Vector Machine (SVM), yang bertujuan untuk memudahkan ahli dalam mengidentifikasi kanker payudara. Berdasarkan hasil dan pembahasan yang telah dilakukan, dapat disimpulkan bahwa metode Support Vector Machine (SVM) adalah Algoritma yang baik diantara algoritma yang penulis telah uji untuk pengklasifikasian Kanker Payudara menggunakan Dataset WBC (Wisconsin Breast Cancer). Dimana nilai klasifikasi performansi Akurasi dan AUC nya adalah yang tertinggi, sedangkan untuk penggabungan algoritma seleksi fitur Backward Elimination dan Support Vector Machine (SVM) mendapatkan peningkatan Akurasi sebesar 14% sehingga nilai tingkat akurasi akhirnya sebesar 97.14% dan nilai AUC mencapai 0.995.

 

Keywords: Kanker Payudara, Backward Elimination, Support Vector Machine, Klasifikasi.

 

Abstract

The World Health Organization (WHO) in 2004, States that the 5 large world cancer is lung cancer, breast cancer, colon cancer, stomach cancer, and liver cancer. The who estimates that 84 million people died of cancer in 2005-2015 time frame. A survey conducted the WHO declares the 8 to 9% of women experiencing breast cancer. It makes breast cancer as the most common type of cancer found in women after cervical cancer. This research was conducted on the classification of the degree of malignancy of breast cancer by using Backward Elimination feature optimization method and Support Vector Machine (SVM), which aims for make it easier the expert in identifying breast cancer. Based on the results and discussion has been done, it can be concluded that the method of Support Vector Machine (SVM) is a good algorithm between the algorithms that the author has been testing for breast cancer classification using Dataset WBC (Wisconsin Breast Cancer). Where the value of classification Accuracy performance and his AUC is the highest, while for the merge feature selection algorithm Backward Elimination and Support Vector Machine (SVM) get an increased Accuracy of 14% accuracy level value so that the end of 102.72% and AUC values reach 0995.

 

Keyword: Breast Cancer, Backward Elimination, Support Vector Machine, Classification.


Kata Kunci


Kanker Payudara, Backward Elimination, Support Vector Machine, Klasifikasi.

Teks Lengkap:

PDF

Referensi


Anggorowati, L. (2013). FAKTOR RISIKO KANKER PAYUDARA WANITA. Jurnal Kesehatan Masyarakat , 122.

Arifin, T. (2015). Metode Data Mining Untuk Klasifikasi Data Sel Nukleus Dan Sel Radang Berdasarkan Analisa Tekstur. Jurnal Informatika.

Arifin, T. (2014). Klasifikasi Inti Sel Pap Smear Berdasarkan Analisis Tekstur Menggunakan Correlation-Based Feature Selection Berbasis Algoritma C4.5. Jurnal Informatika.

Apriana, V. (2013). Prediksi Beban Listrik Jangka Pendek Berbasis Backward Elimination. Pilar Nusa Mandiri, 23-28.

Hermawanti, L. (2015). Penggabungan Algoritma Backward Elimination Dan Naive Bayes . Momentum, 42-45.

Huda, N. M. (2010). Aplikasi Data Mining Untuk Menampilkan Informasi Tingkat Kelulusan Mahasiswa. Diponegoro: Universitas Diponegoro.

Infodatin. (2015). Stop Kanker. Jakarta Selatan: Pusat data dan informasi kementrian RI.

Makhfudhoh, N. U. (2014). Klasifikasi Kanker Payudara Dari Citra Mammografi Menggunakan Model Fuzzy . Yogyakarta: Universitas Negeri Yogyakarta.

Novianti, F. A., & Purnami, S. W. (2012). analisis diagnosis pasien kanker payudara menggunakan regresi logistik dan support vector machine (SVM) berdasarkan hasil mamografi. JURNAL SAINS DAN SENI ITS, 147-152.

Prasetyo, E. (2012). DATA MINING-Konsep dan Aplikasi Menggunakan MATLAB. Yogyakarta: ANDI.

Rachman, F., & Purnami, S. W. (2012). Perbandingan Klasifikasi Tingkat Keganasan Breast Cancer Dengan Menggunakan Regresi Logistik Ordinal Dan Support Vector Machine (SVM). JURNAL SAINS DAN SENI ITS 2012.

Sairun, W. N. (2015, Agustus 25). Mengapa Kanker Paru dan Payudara Tertinggi di Indonesia. Retrieved july 12, 2016, from Kompasiana: http://www.kompasiana.com/nol3lima/mengapa-kanker-paru-dan-payudara-tertinggi-di-indonesia_55dbf6f36e7a613105c59ea3

Zamani, A. M., Amaliah, B., & Munif, A. (2012). Implementasi Algoritma Genetika pada Struktur Backpropagation Neural Network untuk Klasifikasi Kanker Payudara. JURNAL TEKNIK ITS, 222.




DOI: https://doi.org/10.31311/ji.v4i1.1548

##submission.license.cc.by4.footer##

 dipublikasikan oleh LPPM UBSI
Jl. Kamal Raya No. 18 Cengkareng, Jakarta Barat