Vincentius Natanael Siahaan, 4611415039 (2022) PENINGKATAN AKURASI KLASIFIKASI DIAGNOSIS PENYAKIT KANKER PAYUDARA MENGGUNAKAN FORWARD SELECTION DAN NAIVE BAYES. Under Graduates thesis, UNIVERSITAS NEGERI SEMARANG.

PDF - Published Version Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Era di mana data dengan jumlah besar terkumpul setiap detik di berbagai bidang kehidupan memberikan tantangan untuk dapat mengubah data tersebut menjadi informasi/pengetahuan yang lebih berguna bagi manusia. Data mining adalah proses menemukan pola/informasi yang berpotensi memberi keuntungan dari kumpulan data. Kanker payudara merupakan kanker yang paling sering terjadi di dunia, angka harapan hidup penderita kanker payudara berkurang lebih banyak dibanding dengan angka harapan hidup penderita kanker lainnya. Dalam bidang kesehatan, data mining dapat digunakan untuk mendiagnosis penyakit kanker payudara. Model data mining yang akurat sangat diperlukan untuk membedakan mana tumor jinak dan tumor ganas. Penelitian ini bertujuan untuk mengetahui penerapan metode seleksi fitur Forward Selection dan metode klasifikasi Naive Bayes, dan untuk mengetahui besar dan peningkatan akurasi klasifikasi dari metode tersebut dalam mengklasifikasi tumor jinak dan tumor ganas dari Dataset WDBC (Wisconsin Diagnostic Breast Cancer). Dataset tersebut berisi 569 banyak data dan 32 atribut. Proses diawali dengan data preparation, kemudian dengan metode Wrapper Forward Selection dan Gaussian Naive Bayes serta metode evaluasi performa Stratified Tenfold Cross Validation, semua fitur diseleksi untuk mendapatkan sebagian fitur yang menghasilkan akurasi klasifikasi tertinggi. Dengan metode tersebut didapatkan 12 fitur yang menghasilkan akurasi tertinggi. Akurasi yang diperoleh dengan menggunakan 12 fitur tersebut adalah sebesar 97,54%, jika dibandingkan dengan akurasi saat menggunakan 30 fitur yaitu sebesar 93,68% maka besar peningkatan akurasi yang diperoleh adalah 3,86%.

Actions (login required)

View Item