OPTIMASI HYPERPARAMETER PADA ALGORITMA KNN DAN SVM UNTUK KLASIFIKASI KANKER PAYUDARA MENGGUNAKAN GRID SEARCH CV DAN BAYESIAN OPTIMIZATION

Zulfah, Dzawil (2025) OPTIMASI HYPERPARAMETER PADA ALGORITMA KNN DAN SVM UNTUK KLASIFIKASI KANKER PAYUDARA MENGGUNAKAN GRID SEARCH CV DAN BAYESIAN OPTIMIZATION. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (785kB)
	Text (BAB I) BAB I.pdf Download (186kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (403kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (318kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (629kB)
	Text (BAB V) BAB V.pdf Download (54kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (426kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4436.zip Restricted to Repository staff only Download (191kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (790kB)

Abstract

Kanker payudara adalah salah satu jenis kanker yang paling ditakuti oleh kaum wanita. Kanker payudara termasuk penyebab kematian terbanyak akibat kanker pada wanita setelah kanker serviks. Kanker payudara sendiri dapat dideteksi lebih awal melalui adanya benjolan pada payudara, pada umumnya dapat dibedakan menjadi dua kategori, yaitu jinak (benign) dan ganas (malignant). Dalam konteks ini, efektivitas sistem klasifikasi kanker payudara sangat dipengaruhi oleh pemilihan model machine learning dan optimasi parameter yang tepat. Penelitian ini bertujuan untuk mengoptimalkan performa dua algoritma klasifikasi, yaitu K- Nearest Neighbor (KNN) dan Support Vector Machine (SVM), dalam mengklasifikasikan data kanker payudara. Dua teknik optimasi hyperparameter yang digunakan adalah Grid Search Cross Validation dan Bayesian Optimization. Dataset yang digunakan bersumber dari data publik Breast Cancer Classification dataset yang tersedia di Kaggle. Hasil penelitian menunjukkan bahwa sebelum dilakukan optimasi, algoritma KNN memiliki akurasi sebesar 92%, sedangkan SVM memiliki accuracy 89%. Setelah dilakukan optimasi menggunakan Grid Search akurasi KNN meningkat menjadi 94%, dan SVM tetap berada di 99% dengan kernel linear. Namun, setelah penerapan Bayesian Optimization, akurasi KNN mengalami peningkatan di 95%, sementara SVM tetap diangka 99%. Perbandingan hasil ini menunjukkan bahwa SVM secara konsisten memberikan performa yang lebih baik dibandingkan KNN, terutama setelah penerapan teknik optimasi. Penelitian ini diharapkan dapat menjadi referensi dalam pengembangan sistem prediksi kanker berbasis machine learning yang lebih akurat dan efisien.

Actions (login required)

View Item