Email this article 
Hide
Show all
Klasifikasi Pasien Kanker Payudara Menggunakan Metode Support Vector Machine dengan Backward Elimination
Abstract
Abstrak
Kanker payudara merupakan tumor ganas yang tumbuh pada sel-sel payudara dan dapat menyebar di antara jaringan atau organ di sekitar payudara dan berpindah ke bagian tubuh lainnya. Jika deteksi kanker dilakukan sejak dini, memungkinkan dilakukan penanganan yang lebih baik dan timbulnya sel-sel kanker dapat diatasi dengan segera dan dihentikan penyebarannya. Untuk membantu meningkatkan kemampuan pendeteksian otomatis dapat digunakan teknik machine learning dengan metode klasifikasi. Salah satu metode klasifikasi yang dapat digunakan yaitu metode Support Vector Machine. Pada penelitian ini, metode Support Vector Machine diterapkan pada Breast Cancer Coimbra Data Set. Penerapan Backward Elimination bertujuan untuk mengoptimalkan performa suatu model dengan sistem kerja pemilihan mundur dan memilih atribut yang paling relevan pada proses klasifikasi. Hasil penelitian klasifikasi pasien kanker payudara menggunakan metode Support Vector Machine menghasilkan nilai akurasi sebesar 65,22% dan nilai AUC sebesar 0,700 yang termasuk ke dalam kategori Fair Classification. Sedangkan hasil penelitian klasifikasi pasien kanker payudara menggunakan metode Support Vector Machine dengan Backward Elimination menghasilkan nilai akurasi sebesar 95,65% dan nilai AUC sebesar 1,000 yang termasuk ke dalam kategori Excellent Classification.
Kata Kunci: backward elimination, kanker payudara, klasifikasi, support vector machine
Abstract
Breast cancer is a malignant tumor that grows on the cells of the breast and can spread between tissues or organs around the breast and move to other parts of the body. If the detection of cancer is done early, it is possible to do better treatment and the emergence of cancer cells can be treated immediately and stopped spreading. To help improve automatic detection capabilities, machine learning techniques with classification methods can be used. One of the classification methods that can be used is the Support Vector Machine method. In this study, the Support Vector Machine method was applied to the Breast Cancer Coimbra Data Set. The application of Backward Elimination aims to optimize the performance of a model with a backward selection work system and select the most relevant attributes in the classification process. The results of the classification study of breast cancer patients using the Support Vector Machine method resulted in an accuracy value of 65.22% and an AUC value of 0.700 which was included in the Fair Classification category. Meanwhile, the results of the classification research of breast cancer patients using the Support Vector Machine method with Backward Elimination resulted in an accuracy value of 95.65% and an AUC value of 1,000 which is included in the Excellent Classification category.
Keywords: backward elimination, breast cancer, classification, support vector machine
Full Text:
PDFReferences
WHO, “Cancer,” WHO, 2019. https://www.who.int/health-topics/cancer#tab=tab_1 (accessed Apr. 03, 2020).
N. P. W. P. Sari, “Women Living With Breast and Cervical Cancer in the Community: The Face of Surabaya Nowadays,” Indones. J. Cancer, vol. 12, no. 4, pp. 116–122, 2019, doi: 10.33371/ijoc.v12i4.605.
F. Ma’arif and T. Arifin, “Optimasi Fitur Menggunakan Backward Elimination Dan Algoritma SVM Untuk Klasifikasi Kanker Payudara,” J. Inform., vol. 4, no. 1, pp. 46–53, 2017, [Online]. Available:http://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/1548/pdf.
Pusdatin, “Situasi Penyakit Kanker,” Buletin Jendela Data & Informasi Kesehatan, Jakarta, pp. 1689–1699, 2015.
K. Khadijah and R. Kusumaningrum, “Ensemble Classifier untuk Klasifikasi Kanker Payudara,” It J. Res. Dev., vol. 4, no. 1, pp. 61–71, 2019, doi: 10.25299/itjrd.2019.vol4(1).3540.
Yuliana, “Risiko dan Deteksi Dini Kanker Payudara,” OPINI, vol. 45, no. 2, pp. 144–149, 2018, [Online]. Available: http://www.kalbemed.com/Portals/6/21_261Opini-Risiko dan Deteksi Dini Kanker Payudara.pdf.
J. Crisóstomo et al., “Hyperresistinemia and metabolic dysregulation: a risky crosstalk in obese breast cancer,” Endocrine, vol. 53, no. 2, pp. 433–442, 2016, doi: 10.1007/s12020-016-0893-x.
Komite Penanggulangan Kanker Nasional, Panduan Penatalaksanaan Kanker Payudara. Jakarta: Kementerian Kesehatan Republik Indonesia, 2015.
D. T. Artha, S. Adinugroho, and P. P. Adikara, “Klasifikasi Pengidap Kanker Payudara Menggunakan Metode Voting Based Extreme Learning Machine ( V-ELM ),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 3, pp. 2180–2186, 2019.
T. A. Y. Siswa and Prihandoko, “Analisis Penerapan Optimasi Perbandingan Kinerja Algoritma C4.5 dan Naïve Bayes Berbasis Particle Swarm Optimization ( PSO ) Untuk Mendeteksi Kanker
Payudara,” Bangkit Indones., vol. 7, no. 2, pp. 1–9, 2018.
R. Preetha and S. V. Jinny, “A research on breast cancer prediction using data mining techniques,” Int. J. Innov. Technol. Explor. Eng., vol. 8, no. 11S2, pp. 362–370, 2019, doi: 10.35940/ijitee.K1058.09811S219.
A. Wibowo, “Aplikasi Diagnosis Penyakit Kanker Payudara Menggunakan Algoritma Sequential Minimal Optimization,” J. Teknol. dan Sist. Komput., vol. 5, no. 4, pp. 153–158, 2017, doi:10.14710/jtsiskom.5.4.2017.153-158.
F. Shahura, O. Soesanto, and F. Indriani, “Penerapan Metode Rbpnn Untuk Klasifikasi Kanker Payudara,” Klik - Kumpul. J. Ilmu Komput., vol. 3, no. 2, pp. 135–145, 2016, doi: 10.20527/klik.v3i2.51.
M. Patrício et al., “Using Resistin, glucose, age and BMI to predict the presence of breast cancer,” BMC Cancer, vol. 18, no. 1, pp. 1–8, 2018, doi: 10.1186/s12885-017-3877-1.
K. N. Setiawan and I. M. S. Putra, “Klasifikasi Citra Mammogram Menggunakan Metode K-Means, GLCM, dan Support Vector Machine (SVM),” J. Ilm. Merpati (Menara Penelit. Akad. Teknol. Informasi), vol. 6, no. 1, pp. 13–24, 2018, doi: 10.24843/jim.2018.v06.i01.p02.
Y. D. Austria, M. L. Goh, L. Sta. Maria Jr., J.-A. Lalata, J. E. Goh, and H. Vicente, “Comparison of Machine Learning Algorithms in Breast Cancer Prediction Using the Coimbra Dataset,” Int. J. Simul. Syst. Sci. Technol., pp. 1–8, 2019, doi: 10.5013/ijssst.a.20.s2.23.
F. S. Nugraha, M. J. Shidiq, and S. Rahayu, “Analisis Algoritma Klasifikasi Neural Network Untuk Diagnosis Penyakit Kanker Payudara,” J. Pilar Nusa Mandiri, vol. 15, no. 2, pp. 149–156, 2019, doi: 10.33480/pilar.v15i2.601.
Y. Ramdhani and A. Mubarok, “Analisis Time Series Prediksi Penutupan Harga Saham Antm.Jk Dengan Algoritma SVM Model Regresi,” RESPONSIF, vol. 1, no. 1, pp. 77–82, 2019.
A. Supriyatna and W. P. Mustika, “Komparasi Algoritma Naive bayes dan SVM Untuk Memprediksi Keberhasilan Imunoterapi Pada Penyakit Kutil,” J-SAKTI (Jurnal Sains Komput. dan Inform., vol. 2, no. 2, pp. 152–161, 2018, doi: 10.30645/j-sakti.v2i2.78.
Fitriyani and R. Sanjaya, “Komparasi Algoritma Lr , K-Nn Dan Svm Untuk Estimasi,” Infotronik, vol. 3, no. 2, pp. 103–110, 2018, [Online]. Available:
http://jurnal.usbypkp.ac.id/index.php/infotronik/article/view/109.
J. Mase, M. T. Furqon, and B. Rahayudi, “Penerapan Algoritme Support Vector Machine ( SVM ) Pada Pengklasifikasian Penyakit Kucing,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 10, pp. 3648–3654, 2018.
S. Aprilla, M. T. Furqon, and M. A. Fauzi, “Klasifikasi Penyakit Skizofrenia dan Episode Depresi Pada Gangguan Kejiwaan Dengan Menggunakan Metode Support Vector Machine ( SVM ),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 11, pp. 5611–5618, 2018.
O. Arifin and T. B. Sasongko, “Analisa perbandingan tingkat performansi metode support vector machine dan naïve bayes classifier untuk klasifikasi jalur minat SMA,” Semin. Nas. Teknol. Inf. dan Multimed. 2018, vol. 6, no. 1, pp. 67–72, 2018, [Online]. Available: https://ojs.amikom.ac.id/index.php/semnasteknomedia/article/view/2059.
H. Amalia, “PERBANDINGAN METODE DATA MINING SVM DAN NN UNTUK KLASIFIKASI PENYAKIT GINJAL KRONIS,” J. Pilar Nusa Mandiri, vol. 14, no. 1, pp. 1–6, 2018, doi: https://doi.org/10.33480/pilar.v14i1.80.
A. Bode, “Perbandingan Metode Prediksi Support Vector Machine Dan Linear Regression Menggunakan Backward Elimination Pada Produksi Minyak Kelapa,” J. Sist. Inf. dan Tek. Komput., vol. 4, no. 2, pp. 104–107, 2019, [Online]. Available: http://ejournal.catursakti.ac.id/index.php/simtek/article/view/57.
A. Byna and F. N. Anisa, “Backward Elimination Untuk Meningkatkan Akurasi Kejadian Stunting Dengan Analisis Algortima Support Vector Machine,” Din. Kesehat., vol. 9, no. 2, pp.217–225, 2018, doi: https://doi.org/10.33859/dksm.v9i2.
A. Bode, “K-Nearest Neighbor Dengan Feature Selection Menggunakan Backward Elimination Untuk Prediksi Harga Komoditi Kopi Arabika,” Ilk. J. Ilm., vol. 9, no. 2, pp. 188–195, 2017, doi: 10.33096/ilkom.v9i2.139.188-195.
A. D. Ghani, N. Salman, and Mustikasari, “Algoritma k-Nearest Neighbor Berbasis Backward Elimination Pada Client Telemarketing,” Pros. Semin. Ilm. Sist. Inf. dan Teknol. Inf., vol. 8, no. 2, pp. 141–150, 2019.
R. Sulaehani, “Prediksi Keputusan Klien Telemarketing Untuk Deposito Pada Bank Menggunakan Algoritma Naive Bayes Berbasis Backward Elimination,” Ilk. J. Ilm., vol. 8, no. 3, pp. 182–189, 2016, doi: 10.33096/ilkom.v8i3.83.182-189.
M. Ary and D. A. F. Rismiati, “Ukuran Akurasi Klasifikasi Penyakit Mesothelioma Menggunakan Algoritma K-Nearest Neighbor dan Backward Elimination,” SATIN – Sains dan Teknol. Inf., vol. 5, no. 1, pp. 11–18, 2019.
B. A. Farahdiba and Y. S. Nugroho, “Klasifikasi Kanker Payudara Menggunakan Algoritma Gain Ratio,” J. Tek. Elektro, vol. 8, no. 2, pp. 43–46, 2016.
N. A. Madyaningrum and Sulastri, “Analisa Prediksi Kekambuhan Kanker Payudara Dengan Menggunakan Algoritma K-Nearest Neighbor,” Proceeding SINTAK, vol. 3, no. 3, pp. 180–185,
D. T. Artha, S. Adinugroho, and P. P. Adikara, “Klasifikasi Pengidap Kanker Payudara Menggunakan Metode Voting Based Extreme Learning Machine (V-ELM),” J. Pengemb. Teknol. Inf. dan Komput., vol. 3, no. 3, pp. 2180–2186, 2019.
C. W. Dawson, Projects in Computing and Information Systems, 2nd ed., vol. 2. London: Pearson Education Limited, 2009.
Yunita, “Seleksi Fitur Menggunakan Backward Elimination Pada Prediksi Cuaca Dengan Neural Network,” Indones. J. Comput. Inf. Technol., vol. 2, no. 1, pp. 26–37, 2017.
DOI: https://doi.org/10.32520/stmsi.v10i2.1238
Article Metrics
Abstract view : 1282 timesPDF - 745 times
Refbacks
- There are currently no refbacks.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.