Akses terbuka Jurnal SINTA 3
MODEL KLASIFIKASI KANKER PAYUDARA BERDASARKAN STATUS KEGANASAN MENGGUNAKAN ALGORTIMA RANDOM FOREST DAN DECISION TREE
SemanTIK: Teknik Informasi · Vol. 8 No. 2 (2022) · hlm. 167–174
- ISSN
- 2502-8928, 2460-1446
- Terbit
- 2022-12-31
- Penerbit
- Informatics Engineering Department of Halu Oleo University
- Bahasa
- eng
Abstrak
Kanker payudara merupakan penyumbang kematian tertinggi di kalangan perempuan. penelitian ini bertujuan untuk membuat model aplikasi yang dapat menganalisis klasifikasi kanker payudara berdasarkan status keganasan (jinak atau ganas) menggunakan metode data mining dengan algoritma random forest dan decision tree. Data yang digunakan dalam penelitian ini diambil dari Breast Cancer Wisconsin (Diagnostic) Data Set di Kaggle.com, yang terdiri dari 31 variabel dan 569 data. Data tersebut dibagi menjadi data training dan data test, kemudian diuji menggunakan algoritma random forest dan decision tree. Hasilnya, algoritma decision tree memiliki tingkat akurasi sebesar 95%, sedangkan algoritma random forest memiliki tingkat akurasi sebesar 97%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa kedua algoritma tersebut dapat digunakan untuk melakukan klasifikasi kanker payudara berdasarkan tingkat keganasannya dan algoritma random forest memiliki tingkat akurasi yang lebih tinggi dibandingkan dengan decision tree yaitu 97% versus 95%.Kata kunci; Kanker Payudara, Random Forest, Decision Tree
Jaringan kolaborasi para penulis
31 penulis · 68 tautan kepenulisan bersama · 36 lintas organisasi
Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.
- Sekolah Tinggi Ilmu Kesehatan Tamalatea Makassar
- Universitas Jenderal Achmad Yani Yogyakarta
- Universitas Halu Oleo
- National Research and Innovation Agency
- Sriwijaya University
- Universitas Mega Buana Palopo
- Sekolah Tinggi Agama Islam Negeri Majene
- Organisasi lain
- Afiliasi tidak diketahui
- Organisasi berbeda
- Organisasi sama
- Afiliasi tidak diketahui
- Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
| Rekan penulis | Organisasi | Artikel bersama |
|---|---|---|
| Andi Misnawati | Universitas Mega Buana Palopo | 2 |
| Muhamad Muhdar | Mulawarman University | 1 |
| Mohamad Nasir | Radboud University Nijmegen | 1 |
| Syafruddin Syarif | Hasanuddin University | 1 |
| Yuyun Yuyun | Universitas Handayani Makassar | 1 |
| Latief Sahidin | Universitas Halu Oleo | 1 |
| Lambertus Lambertus | Universitas Halu Oleo | 1 |
| Kadir Kadir | Universitas Halu Oleo | 1 |
| Rahmawati Azis | Sekolah Tinggi Ilmu Kesehatan Tamalatea Makassar | 1 |
| Nur Awaluddin Syam | Afiliasi tidak diketahui | 1 |
| Basman Basman | Sekolah Tinggi Agama Islam Negeri Majene | 1 |
| St. Aflahah | National Research and Innovation Agency | 1 |
| Sitti Arafah | National Research and Innovation Agency | 1 |
| Khaerun Nisa | National Research and Innovation Agency | 1 |
| Ahmad Ridhai Azis | Sekolah Tinggi Agama Islam Negeri Majene | 1 |
| Yasir Yasir | Afiliasi tidak diketahui | 1 |
| Yulidar Yulidar | Afiliasi tidak diketahui | 1 |
| Veny Wilya | Afiliasi tidak diketahui | 1 |
| Ida Sriyanti | Sriwijaya University | 1 |
| Hamdi Akhsan | Sriwijaya University | 1 |
| İsmet İsmet | Sriwijaya University | 1 |
| Tri Sunarsih | Universitas Jenderal Achmad Yani Yogyakarta | 1 |
| Nendhi Wahyunia Utami | Universitas Jenderal Achmad Yani Yogyakarta | 1 |
| Endah Puji Astuti | Universitas Jenderal Achmad Yani Yogyakarta | 1 |
| Elvika Fit Ari Shanti | Universitas Jenderal Achmad Yani Yogyakarta | 1 |
Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.