ANALISIS PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE DAN DECISION TREE PADA KLASIFIKASI KANKER PAYUDARA

Atmaja, Guntur Tri (2025) ANALISIS PERBANDINGAN ALGORITMA SUPPORT VECTOR MACHINE DAN DECISION TREE PADA KLASIFIKASI KANKER PAYUDARA. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (2MB)
	Text (BAB I) BAB I.pdf - Published Version Download (169kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (407kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (361kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (671kB)
	Text (BAB V) BAB V.pdf - Published Version Download (87kB)
	Text (DAFTAR PUSTAKA DAN LAMPIRAN) Daftar Pustaka dan Lampiran.pdf - Published Version Restricted to Registered users only Download (141kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.4820.zip - Published Version Restricted to Repository staff only Download (304kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (1MB)

Abstract

Kanker payudara merupakan salah satu jenis kanker yang paling umum diderita oleh perempuan di seluruh dunia, dan deteksi dini sangat penting untuk meningkatkan peluang kesembuhan. Namun, proses diagnosis yang masih konvensional kerap membutuhkan waktu dan biaya yang tidak sedikit, serta rentan terhadap kesalahan interpretasi. Penelitian ini bertujuan untuk mengklasifikasikan jenis kanker payudara menjadi jinak dan ganas secara otomatis menggunakan algoritma machine learning, yaitu Support Vector Machine (SVM) dan Decision Tree. Data yang digunakan berasal dari Breast Cancer Wisconsin Diagnostic Dataset (WBCD), yang terdiri dari 569 data sampel dan 30 fitur numerik. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan (normalisasi dan pembagian data latih-uji), implementasi model klasifikasi SVM dan Decision Tree, serta evaluasi kinerja dengan metrik akurasi, presisi, recall, F1-score, dan AUC. Hasil penelitian menunjukkan bahwa SVM memberikan performa lebih unggul dengan akurasi 98,25% dan AUC 99,37%, dibandingkan Decision Tree yang memiliki akurasi 92,11%. Penelitian ini memberikan kontribusi dalam pengembangan sistem pendukung keputusan untuk deteksi kanker payudara secara lebih cepat, efisien, dan berbasis data. Hasil penelitian ini dapat dimanfaatkan oleh praktisi medis, pengembang sistem kesehatan cerdas, maupun peneliti di bidang data mining dan bioinformatika.

Actions (login required)

View Item