Analisis Komparatif Metode Ensemble Learning pada Prediksi Kanker Payudara
Keywords:
Ensemble Learning, Breast Cancer, AdaBoost, Random Forest, XGBoostAbstract
Penelitian ini bertujuan untuk menganalisis dan membandingkan performa tiga metode ensemble learning, yaitu Random Forest, AdaBoost, dan XGBoost, dalam mengklasifikasikan data kanker payudara. Dataset yang digunakan adalah Wisconsin Breast Cancer (WBC) dari UCI Machine Learning Repository. Metode ensemble diterapkan karena kemampuannya dalam meningkatkan stabilitas dan akurasi prediksi dengan menggabungkan beberapa model dasar. Evaluasi dilakukan dengan menggunakan metrik akurasi, presisi, recall, F1-score, serta confusion matrix dan AUC, dengan pendekatan validasi silang 10-fold. Hasil penelitian menunjukkan bahwa AdaBoost memberikan hasil paling seimbang dengan akurasi tertinggi sebesar 96,31% dan kesalahan klasifikasi paling minimal. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan sistem deteksi dini kanker berbasis machine learning.References
Agusviyanda Agusviyanda, R. N. (2025). PENINGKATAN ALGORITMA C4.5 MENGGUNAKAN ENSEMBLE LEARNING UNTUK MENDETEKSI PENYAKIT GINJAL. doi:10.36987/informatika
Chaofeng Yuan, N. W. (2023, January). Rebalance Weights AdaBoost-SVM Model for Imbalanced Data. Computational Intelligence and Neuroscience, 1-26. doi:10.1155/2023/4860536
Deni Kurnia, M. I. (2023). Seleksi Fitur dengan Particle Swarm Optimization pada Klasifikasi Penyakit Parkinson Menggunakan XGBoost. 10. doi:https://doi.org/10.25126/jtiik.2023107252
Foundation, B. C. (2021). bcrf.org. Retrieved from https://www.bcrf.org/breast-cancer-statistics-and-resources/?utm
Idris Nur Farahaina, I. M. (2024). Tinjauan metode ensemble homogen pada klasifikasi data kanker payudar. Tinjauan Teknik Elektro, 101 - 104. doi:10.15199/48.2024.01.21
Jafari, A. (2023). Machine-learning methods in detecting breast cancer and related therapeutic issues: a review. Computer Methods in Biomechanics and Biomedical Engineering: Imaging & Visualization, 12(1). doi:https://doi.org/10.1080/21681163.2023.2299093
] Kemenkes RI. (2021). Retrieved from Kemenkes Unit Pelayanan Kesehatan: https://upk.kemkes.go.id/new/deteksi-dini-kanker-payudara-dengan-sadari-dan-sadanis
Lucky Lhaura Van FC, M. K. (2025). The Development of Stacking Techniques in Machine Learning for Breast Cancer Detection. Journal Of Applied Data Science. doi:https://doi.org/10.47738/jads.v6i1.416
Maulidina Cahaya Rani, A. S. (2025). Perbandingan Algoritma Random Forest, Naive Bayes, Dan Neural Network Dalam Klasifikasi Penyakit Jantung. Jurnal Sains Informatika Terapan, 4. Retrieved from https://rcf-indonesia.org/home/index.php/jsit/article/view/609
MUHAMAD FADLI, R. A. (2023). KLASIFIKASI DAN EVALUASI PERFORMA MODEL RANDOM FOREST UNTUK PREDIKSI STROKE. 12. doi:http://dx.doi.org/10.31000/jt.v12i2.9099
Nawangsih, A. M. (2024). Perbandingan Metode Ensemble Untuk Meningkatkan Akurasi Algoritm Machine Learning Dalam Memprediksi Penyakit Breast Cancer (Kanker Payudara). Jurnal Informatika dan Sistem Informasi. Retrieved from https://ojs.trigunadharma.ac.id/index.php/jis/article/view/9563
Nur Kholis Majid, C. S. (2025). Peningkatan Keberagaman Data untuk Klasifikasi Penyakit Diabetes Berbasis Stacking Ensemble Learning. 10. Retrieved from https://ejournal.poltekharber.ac.id/index.php/informatika/article/view/7375
Organization, W. H. (2022). The Global Breast Cancer Initiative. Retrieved from https://www.who.int/initiatives/global-breast-cancer-initiative?utm
Setyawan Wibisono, W. H. (2024). Optimalisasi Model Klasifikasi Diabetes Menggunakan Ensemble Learning Adaboost, Gradient Boosting, dan XGBoost. Journal of Data Science and Technology, 45-55. Retrieved from https://scholar.google.com/citations?view_op=view_citation&hl=id&user=44ei0EUAAAAJ&sortby=pubdate&citation_for_view=44ei0EUAAAAJ:u9iWguZQMMsC
Syed Mahfuz Al Hasan, D. L. (2025). Screening programmes and breast cancer mortality: an. Screening programmes and breast cancer mortality. Retrieved from https://cdn.who.int/media/docs/default-source/bulletin/online-first/blt.24.292529.pdf?sfvrsn=2c78d36f_3&utm
WHO), W. H. (2024, February). Global Cancer Observatory - World Fact Sheet. Retrieved from https://gco.iarc.who.int/media/globocan/factsheets/populations/900-world-fact-sheet.pdf
