Implementasi Machine Learning Untuk Prediksi Kanker Payudara Menggunakan Model Regresi Logistik
Abstract
Salah satu penyakit paling mematikan dan semua orang di dunia pasti takut dengan penyakit Kanker. Kanker payudara merupakan salah satu jenis kanker yang paling umum di dunia dan menjadi penyebab utama kematian di kalangan wanita. Deteksi dini kanker payudara sangat penting untuk meningkatkan peluang kesembuhan. Dalam beberapa tahun terakhir, implementasi machine learning dalam bidang medis telah berkembang pesat, khususnya dalam prediksi dan diagnosis penyakit. Penelitian ini bertujuan untuk membahas implementasi algoritma regresi logistik dalam prediksi kanker payudara. Melalui penggunaan dataset yang relevan, algoritma ini diharapkan dapat memberikan prediksi yang akurat dan membantu dalam pengambilan keputusan klinis. Data yang digunakan bersumber dari Kaggle.com dengan nama file Breast Cancer Predictor. Proses yang dilakukan adalah Pemahaman Bisnis, Pemahaman Data, Persiapan Data dan Visualisasi Data untuk pemodelan menggunakan Regresi Logistik, setelah memodelkan data langkah selanjutnya adalah menggunakan penerapan menggunakan Framework Streamlit. Pada proses pelatihan data menggunakan metode Regresi Logistik diperoleh hasil akurasi sebesar 0,97%.
Full Text:
PDF (76-84)References
Arnold, M., Morgan, E., Rumgay, H., Mafra, A., Singh, D., Laversanne, M., Vignat, J., Gralow, J. R., Cardoso, F., Siesling, S., & Soerjomataram, I. (2022). Current and future burden of breast cancer: Global statistics for 2020 and 2040. Breast, 66, 15–23. https://doi.org/10.1016/j.breast.2022.08.010
Cai, Q., Cui, C., Xiong, Y., Wang, W., Xie, Z., & Zhang, M. (2021). A Survey on Deep Reinforcement Learning for Data Processing and Analytics. http://arxiv.org/abs/2108.04526
Canali, S., & Leonelli, S. (2022). Reframing the environment in data-intensive health sciences. Studies in History and Philosophy of Science, 93, 203–214. https://doi.org/10.1016/j.shpsa.2022.04.006
Dirjen, S. K., Riset, P., Pengembangan, D., Dikti, R., Azis, A. I. S., Surya, I., Idris, K., Santoso, B., Mustofa, Y. A., & Informatika, J. T. (2017). Terakreditasi SINTA Peringkat 2 Pendekatan Machine Learning yang Efisien untuk Prediksi Kanker Payudara. Masa Berlaku Mulai, 1(3), 458–469.
Gong, Y., Liu, G., Xue, Y., Li, R., & Meng, L. (2023). A survey on dataset quality in machine learning. Information and Software Technology, 162. https://doi.org/10.1016/j.infsof.2023.107268
Jammal, M., Kanso, A., Heidari, P., & Shami, A. (2021). Evaluating High Availability-Aware Deployments Using Stochastic Petri Net Model and Cloud Scoring Selection Tool. IEEE Transactions on Services Computing, 14(1), 141–154. https://doi.org/10.1109/TSC.2017.2781730
Oktavianto, H., & Handri, R. P. (2019). Analisis Klasifikasi Kanker Payudara Menggunakan Algoritma Naive Bayes. In Informatics Journal (Vol. 4, Issue 3). https://archive.ics.uci.edu/ml/.
Panda, N. R., Pati, J. K., Mohanty, J. N., & Bhuyan, R. (2022). A Review on Logistic Regression in Medical Research. In National Journal of Community Medicine (Vol. 13, Issue 4, pp. 265–270). MedSci Publications. https://doi.org/10.55489/njcm.134202222
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/
Shah, S. M., Khan, R. A., Arif, S., & Sajid, U. (2021). Artificial Intelligence For Breast Cancer Detection: Trends & Directions. https://doi.org/10.1016/j.compbiomed.2022.105221
Solikin, I., Bhumi, R. P., & Power, J. (n.d.). Teknik Data Mining untuk Prediksi Kanker Payudara yang Efisien.
Starek-Świechowicz, B., Budziszewska, B., & Starek, A. (2023). Alcohol and breast cancer. In Pharmacological Reports (Vol. 75, Issue 1, pp. 69–84). Springer Science and Business Media Deutschland GmbH. https://doi.org/10.1007/s43440-022-00426-4
Taye, M. M. (2023). Understanding of Machine Learning with Deep Learning: Architectures, Workflow, Applications and Future Directions. In Computers (Vol. 12, Issue 5). MDPI. https://doi.org/10.3390/computers12050091
Zhang, W. (n.d.). Interactive Data Visualization with Python Plotly.
Zhang, Y., Sheng, M., Liu, X., Wang, R., Lin, W., Ren, P., Wang, X., Zhao, E., & Song, W. (2022). A heterogeneous multi-modal medical data fusion framework supporting hybrid data exploration. Health Information Science and Systems, 10(1). https://doi.org/10.1007/s13755-022-00183-x
DOI: https://doi.org/10.31294/evolusi.v12i2.23315
ISSN: 2657-0793 (online). ISSN: 2338-8161 (print)
