Evaluasi Algoritma Extreme Gradient Boosting (XGBoost), Support Vector Machine (SVM) Dan Multi-Layer Perceptron (MLP) untuk Klasifikasi Jenis Tumor Payudara

Handayani, Annisa (2017) Evaluasi Algoritma Extreme Gradient Boosting (XGBoost), Support Vector Machine (SVM) Dan Multi-Layer Perceptron (MLP) untuk Klasifikasi Jenis Tumor Payudara. Diploma thesis, Universitas Al Azhar Indonesia.

[img] Text (UAI) - Published Version
Available under License Creative Commons Attribution Non-commercial.

Download (0B)
Official URL: http://perpustakaan.uai.ac.id/index.php/cari/detai...

Abstract

Berdasarkan data World Health Organization (WHO) tumor ganas merupakan salah satu penyebab kematian yang tinggi di dunia. Diantara seluruh jenis tumor ganas (kanker), tumor ganas payudara merupakan tumor ganas yang paling sering ditemukan, khususnya pada wanita. Salah satu cara untuk membedakan tumor ganas payudara dan tumor jinak payudara adalah dengan melakukan tes Fine Needle Aspiration (FNA). Metode ini disukai karena mudah dilakukan, aman, sederhana, murah, serta dapat dilakukan pada pasien rawat jalan maupun rawat inap. Meskipun metode ini banyak disukai, namun FNA memiliki tingkat akurasi yang bervariasi. Oleh karena itu, penelitian ini dilakukan untuk menemukan model terbaik dari data diagnosis breast masses berdasarkan tes FNA untuk mengklasifikasikan tumor ganas dan tumor jinak payudara dengan melakukan evaluasi Algoritma Extreme Gradient Boosting (XGBoost), Support Vector Machine Kernel Radial Basic Function (SVM-RBF), dan Multilayer Perceptron (MLP) menggunakan Area Under the Curve (AUC). Data yang digunakan dalam proses penelitian ini merupakan data Wisconsin Breast Cancer (WBC) yang tersedia di UCI Machine Learning Repository. Hasil terbaik berdasarkan nilai AUC dan score cost terendah diraih oleh algoritma SVM-RBF pada dataset yang dilakukan eliminate missing value dengan nilai AUC 99.23 dan score cost $2,740.20.

Item Type: Thesis (Diploma)
Additional Information: Identifier : IF 17 001 Language : Indonesia Copyright : Attribution 4.0. International
Subjects: 600 Applied sciences & technology > 610 Medicine & health > 616 Diseases
Library of Congress Subject Areas > Skripsi
Library of Congress Subject Areas > Skripsi

Library of Congress Subject Areas > Information technology
Library of Congress Subject Areas > Breast--Cancer--Diagnosis--Computer programs
Divisions: Universitas Al-Azhar Indonesia (UAI) > Fakultas Sains dan Teknologi (FST) > Teknik Informatika
Depositing User: Rahman Pujianto
Date Deposited: 19 Jul 2018 05:17
Last Modified: 20 Apr 2020 09:30
URI: http://eprints.uai.ac.id/id/eprint/1094

Actions (login required)

View Item View Item