EVALUASI KINERJA KLASIFIKASI KANKER PAYUDARA DENGAN ALGORITMA GENETIKA DAN XGBOOST DENGAN MANUAL TUNING
Abstract
Kanker payudara telah menjadi penyebab utama kanker di kalangan wanita di seluruh dunia dengan sekitar 23 juta kasus baru pada tahun 2020. Meskipun kejadian meningkat, angka kematian telah menurun sebesar 43% sejak 1989. Kanker payudara adalah penyakit kompleks yang melibatkan proliferasi sel abnormal dan dapat bermetastasis ke organ lain. Penelitian ini mengeksplorasi potensi integrasi Algoritma Genetika dan XGBoost dalam klasifikasi kanker payudara, fokus pada penerapan teknik manual tuning untuk meningkatkan akurasi dan generalisasi model. Dataset yang digunakan adalah data publik dari Kaggle yang mencakup 569 baris dan 31 kolom. Metode penelitian melibatkan penggunaan Algoritma Genetika untuk pemilihan fitur, diikuti oleh penerapan XGBoost untuk tugas klasifikasi. Hasil penelitian menunjukkan bahwa model XGBoost dengan manual tuning mencapai akurasi tertinggi sebesar 100% pada komposisi data 90:10, dengan performa yang sangat tinggi juga pada komposisi data 70:30 dan 80:20. Temuan ini mengindikasikan bahwa integrasi GA dan XGBoost dengan manual tuning dapat secara signifikan meningkatkan kinerja klasifikasi kanker payudara, menawarkan solusi yang efektif untuk mendukung keputusan medis dalam diagnosis kanker
payudara.
References
C. E. DeSantis et al., “Breast cancer statistics, 2019,” CA Cancer J Clin, vol. 69, no. 6, pp. 438–451, Nov. 2019, doi: 10.3322/caac.21583.
Q. Huang, A. Khalil, D. A. Ali, A. Ahmad, R. Luo, and M. Azeem, “Breast cancer chemical structures and their partition resolvability,” Mathematical Biosciences and Engineering, vol. 20, no. 2, pp. 3838–3853, 2023, doi: 10.3934/mbe.2023180.
P. D. R. Mehboob, “Breast Cancer- Awareness and Early Detection,” Pakistan BioMedical Journal, pp. 01–01, Oct. 2022, doi: 10.54393/pbmj.v5i10.814.
G. A. Palmer, “Breast cancer: diagnosis and treatment.,” Nurse Pract Forum, vol. 4, no. 2, pp. 100–104, Jun. 1993, doi: 10.47363/jmcn/2022(3)156.
Y. Feng et al., “Breast cancer development and progression: Risk factors, cancer stem cells, signaling pathways, genomics, and molecular pathogenesis,” Genes and Diseases, vol. 5, no. 2. Chongqing University, pp. 77–106, Jun. 01, 2018. doi: 10.1016/j.gendis.2018.05.001.
R. Shafique et al., “Breast Cancer Prediction Using Fine Needle Aspiration Features and Upsampling with Supervised Machine Learning,” Cancers (Basel), vol. 15, no. 3, Feb. 2023, doi: 10.3390/cancers15030681.
V. Kumari and R. Ghosh, “A magnification-independent method for breast cancer classification using transfer learning,” Healthcare Analytics, vol. 3, Nov. 2023, doi: 10.1016/j.health.2023.100207.
J. Khatib Sulaiman, D. Wijayanto, B. Pilu Hartato, and U. Amikom Yogyakarta, “Analisis Perbandingan Performa Algoritma XGBoost dan LightGBM pada Klasifikasi Kanker Payudara,” Indonesian Journal of Computer Science.
Y. Anugerah, D. Khurrota A’yunan, S. Busono, F. Sains, and D. Teknologi, “Implementasi Data Mining Dalam Klasifikasi Diagnosa Kanker Payudara Menggunakan Algoritma Logistic Regression,” Jurnal TEKINKOM, vol. 6, no. 2, p. 2023, doi: 10.37600/tekinkom.v6i2.948.
A. J. Zaylaa and S. Kourtian, “Advancing Breast Cancer Diagnosis through Breast Mass Images, Machine Learning, and Regression Models,” Sensors, vol. 24, no. 7, Apr. 2024, doi: 10.3390/s24072312.
A. Alassaf et al., “Genetic Algorithms and Feature Selection for Improving the Classification Performance in Healthcare,” 2024. [Online]. Available: www.ijacsa.thesai.org
A. Hichri et al., “Genetic-Algorithm-Based Neural Network for Fault Detection and Diagnosis: Application to Grid-Connected Photovoltaic Systems,” Sustainability (Switzerland), vol. 14, no. 17, Sep. 2022, doi: 10.3390/su141710518.
