Prakiraan Keganasan Kanker Payudara Menggunakan Metode Klasifikasi k-NN dengan Analisis Atribut Multivariabel
Keywords:
Kanker, Payudara, k-Nearest Neighbors (kNN), Data MiningAbstract
Salah satu jenis kanker yang banyak terjadi pada wanita didunia adalah kanker payudara. Pengobatan dan perawatan diperlukan sedini mungkin guna harapan kesembuhan yang lebih baik. Pada jurnal ini, metode k-Nearest Neigbors (k-NN) dengan analisis atribut multivariabel kami usulkan guna memperkirakan keganasan kanker payudara. k-NN merupakan algoritma klasifikasi yang berdasar pada jarak antara data. Pada jurnal ini, metode k-NN yang kami gunakan bermanfaat untuk mengklasifikasikan sampel baru dengan berdasar pada kecocokan dengan tetanggan terdekat dari setiap atribut yang diuji.Penggunaan metode k-NN dalam penelitian ini memiliki maksud untuk mengembangkan dan menerapkan metode k-NN dengan analisis atribut multivariabel dalam manfaatnya untuk memperkirakan keganasan kanker. Label akhir dari dataset kanker payudara yang kami gunakan berupa b (benign) atau m (malignant) yang berdasarkan sampel didalam dataset tersebut serta kami juga melakukan evaluasi dari kinerja metode k-NN dalam memperkirakan tingkat keganasan. Kesimpulannya kami mengusulkan pengimplementasian metode k-NN dengan analisis atribut multivariabel dalam memperkirakan keganasan kanker payudara. Metode k-NN memiliki potensi dalam memfasilitasi hasil diagnosis yang lebih akurat dan efektif pada kanker payudara.
References
N. P. Adimuntja, M. A. Nurdin, and Z. F. Ahmad, “Determinant of Sadari Behavior in the Early Detection Effort of Breast Cancer Among Female Students in the Public Health Faculty of Cenderawasih University,” Jambura J. Heal. Sci. Res., vol. 4, no. 2, pp. 574–586, 2022, doi: 10.35971/jjhsr.v4i2.13998.
E. Marfianti, “Peningkatan Pengetahuan Kanker Payudara dan Ketrampilan Periksa Payudara Sendiri (SADARI) untuk Deteksi Dini Kanker Payudara di Semutan
Jatimulyo Dlingo,” J. Abdimas Madani dan Lestari, vol. 3, no. 1, pp. 25–31, 2021, doi: 10.20885/jamali.vol3.iss1.art4.
Yunitasari, H. S. Hopipah, and R. Mayasari, “Optimasi Backward Elimination untuk Klasifikasi Kepuasan Pelanggan Menggunakan Algoritme k-nearest neighbor (k-NN) and Naive Bayes,” Technomedia J., vol. 6, no. 1, pp. 99–110, 2021, doi: 10.33050/tmj.v6i1.1531.
D. Random et al., “Komparasi Performansi Algoritma Pengklasifikasi KNN , Bagging,” pp. 367–372, 2021.
I. P. Sari and I. H. Batubara, “Perancangan Sistem Informasi Laporan Keuangan Pada Apotek Menggunakan Algoritma K-NN,” Semin. Nas. Teknol. Edukasi …, pp. 689– 695, 2021.
Y. Miftahuddin, S. Umaroh, and F. R. Karim, “Perbandingan Metode Perhitungan Jarak Euclidean, Haversine, Dan Manhattan
Dalam Penentuan Posisi Karyawan,” J. Tekno Insentif, vol. 14, no. 2, pp. 69–77, 2020, doi: 10.36787/jti.v14i2.270.
Y. N. Gulo, “Penerapan Algoritma Hamming Distance Untuk Pencarian Teks Pada Aplikasi Ensiklopedia Indonesia,” JoGTC J. Glob. Tecnol. Comput., vol. 1, no. 2, pp. 50–54, 2022.
E. Wahyudi and N. I. Pradasari, “Case Based Reasoning untuk Diagnosis Penyakit Jantung Menggunakan Metode Minkowski Distance,” INTECOMS J. Inf. Technol. Comput. Sci., vol. 1, no. 1, pp. 119–123, 2018, doi: 10.31539/intecoms.v1i1.170.
T. H. Simanjuntak, W. F. Mahmudy, and Sutrisno Sutrisno, “Implementasi Modified K-Nearest Neighbor Dengan Otomatisasi Nilai K Pada Pengklasifikasian Penyakit Tanaman Kedelai,” Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, No.2, no. 2, pp. 75–79, 2017, [Online]. Available: http://jptiik.ub.ac.id/index.php/jptiik/article/view/15/21
D. Darwis, N. Siskawati, and Z. Abidin, “Penerapan Algoritma Naive Bayes Untuk Analisis Sentimen Review Data Twitter Bmkg Nasional,” J. Tekno Kompak, vol. 15, no. 1, p. 131, 2021, doi: 10.33365/jtk.v15i1.744.
W. Musu, A. Ibrahim, and Heriadi, “Pengaruh Komposisi Data Training dan Testing terhadap Akurasi Algoritma C4 . 5,” Pros. Semin. Ilm. Sist. Inf. Dan Teknol. Inf., vol. X, no. 1, pp. 186–195, 2021.
