Melola Discovery

← Melola Discovery

Akses terbuka Jurnal

KLASIFIKASI PENYAKIT KANKER PAYUDARA PADA CITRA MAMMOGRAM MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) DAN RANDOM FOREST

JOURNAL ONLINE OF PHYSICS · Vol. 10 No. 3 (2025) · hlm. 95–103

DOI
10.22437/jop.v10i3.43794
ISSN
2502-2016
Terbit
2025-07-17
Penerbit
Prodi Fisika FST UNJA
Bahasa
en
Lisensi
creativecommons.org/licenses/by/4.0

Abstrak

Penelitian ini membahas klasifikasi kanker payudara pada citra mammogram menggunakan algoritma Convolutional Neural Network (CNN) dan Random Forest dengan implementasi berbasis Python. Tujuan penelitian ini adalah membandingkan performa algoritma CNN dan Random Forest dalam mengklasifikasikan kanker payudara pada citra mammogram, yang dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Dataset citra mammogram diperoleh dari platform Kaggle, mencakup dua kategori: tumor jinak (benign) dan tumor ganas (malignant). Tahap preprocessing data meliputi reduksi noise, normalisasi intensitas piksel, dan ekstraksi fitur. Model CNN dan Random Forest dilatih dan dievaluasi menggunakan metrik performa yang telah ditentukan, dengan pembagian dataset 80% data latih dan 20% data uji untuk memastikan evaluasi objektif. Hasil penelitian menunjukkan bahwa model CNN memiliki akurasi 97%, presisi 90%, recall 94%, dan F1-score 92%, sedangkan Random Forest mencapai akurasi 95%, presisi 86%, recall 91%, dan F1-score 88%. Hasil ini mengindikasikan bahwa model CNN menunjukkan performa lebih unggul dan berpotensi sebagai sistem pendukung diagnosis kanker payudara.

Kata kunci

Jaringan kolaborasi para penulis

40 penulis · 174 tautan kepenulisan bersama · menampilkan 40 yang paling banyak terhubung

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Universitas Muslim Indonesia
  • Universitas Jambi
  • 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 penulisOrganisasiArtikel bersama
M. Ficky AfriantoAfiliasi tidak diketahui10
Jesi PebraliaAfiliasi tidak diketahui10
Mardian PeslinofAfiliasi tidak diketahui7
Samsidar SamsidarUniversitas Muslim Indonesia4
Frastica DeswardaniAfiliasi tidak diketahui4
Linda HandayaniAfiliasi tidak diketahui3
Benedika Ferdian HutabaratUniversitas Jambi2
Rista Mutia AnggrainiAfiliasi tidak diketahui2
. SamsidarAfiliasi tidak diketahui2
RustanAfiliasi tidak diketahui2
Fairuz Athaya zahran Tane TaneAfiliasi tidak diketahui2
Maison MaisonAfiliasi tidak diketahui2
Madyawati LatiefAfiliasi tidak diketahui2
Ermadani ErmadaniAfiliasi tidak diketahui2
Ichy Lucya RestaAfiliasi tidak diketahui2
Hesti RianyAfiliasi tidak diketahui2
Ilham Jaya WindhanuAfiliasi tidak diketahui2
Sherli YurinandaAfiliasi tidak diketahui1
Aulia SanovaAfiliasi tidak diketahui1
Nova SusantiAfiliasi tidak diketahui1
Siti SyuhadaAfiliasi tidak diketahui1
Muswita MuswitaAfiliasi tidak diketahui1
Tiara SandariAfiliasi tidak diketahui1
NurhidayahAfiliasi tidak diketahui1
Faizar FaridAfiliasi tidak diketahui1
Rustan RustanAfiliasi tidak diketahui1
Nurhidayah NurhidayahAfiliasi tidak diketahui1
Benedika Ferdian HutabaratAfiliasi tidak diketahui1
Regita KharismaAfiliasi tidak diketahui1
Tika RestianingsihAfiliasi tidak diketahui1
Roedearni Ananda Putri PurbaAfiliasi tidak diketahui1
Debby Mustika RaniAfiliasi tidak diketahui1
Sri PurwaningsihAfiliasi tidak diketahui1
Amelia NoverantyAfiliasi tidak diketahui1
Surya DharmaAfiliasi tidak diketahui1
Jihan Suci AnandaAfiliasi tidak diketahui1
Cindy Nur SyaqilaAfiliasi tidak diketahui1

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.

Sumber metadata: OAI-PMH (metadata jurnal) https://online-journal.unja.ac.id/index.php/jop/oai, pertama di-harvest 6 Nov 2026, terakhir terlihat 8 Nov 2026.
Metadata asli (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en">KLASIFIKASI PENYAKIT KANKER PAYUDARA PADA CITRA MAMMOGRAM MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) DAN RANDOM FOREST </dc:title>
	<dc:creator xml:lang="en">Latifah, Adelia</dc:creator>
	<dc:creator xml:lang="en">Alrizal, Alrizal</dc:creator>
	<dc:creator xml:lang="en">Fendriani, Yoza</dc:creator>
	<dc:subject xml:lang="en">convolutional neural network</dc:subject>
	<dc:subject xml:lang="en">citra mammogram</dc:subject>
	<dc:subject xml:lang="en">kanker payudara</dc:subject>
	<dc:subject xml:lang="en">random forest</dc:subject>
	<dc:description xml:lang="en">Penelitian ini membahas klasifikasi kanker payudara pada citra mammogram menggunakan algoritma Convolutional Neural Network (CNN) dan Random Forest dengan implementasi berbasis Python. Tujuan penelitian ini adalah membandingkan performa algoritma CNN dan Random Forest dalam mengklasifikasikan kanker payudara pada citra mammogram, yang dievaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Dataset citra mammogram diperoleh dari platform Kaggle, mencakup dua kategori: tumor jinak (benign) dan tumor ganas (malignant). Tahap preprocessing data meliputi reduksi noise, normalisasi intensitas piksel, dan ekstraksi fitur. Model CNN dan Random Forest dilatih dan dievaluasi menggunakan metrik performa yang telah ditentukan, dengan pembagian dataset 80% data latih dan 20% data uji untuk memastikan evaluasi objektif. Hasil penelitian menunjukkan bahwa model CNN memiliki akurasi 97%, presisi 90%, recall 94%, dan F1-score 92%, sedangkan Random Forest mencapai akurasi 95%, presisi 86%, recall 91%, dan F1-score 88%. Hasil ini mengindikasikan bahwa model CNN menunjukkan performa lebih unggul dan berpotensi sebagai sistem pendukung diagnosis kanker payudara.
 </dc:description>
	<dc:publisher xml:lang="en">Prodi Fisika FST UNJA</dc:publisher>
	<dc:date>2025-07-17</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://online-journal.unja.ac.id/jop/article/view/43794</dc:identifier>
	<dc:identifier>10.22437/jop.v10i3.43794</dc:identifier>
	<dc:source xml:lang="en">JOURNAL ONLINE OF PHYSICS; Vol. 10 No. 3 (2025): JOP (Journal Online of Physics) Vol 10 No 3; 95-103</dc:source>
	<dc:source>2502-2016</dc:source>
	<dc:language>en</dc:language>
	<dc:relation>https://online-journal.unja.ac.id/jop/article/view/43794/21586</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2025 Adelia Latifah, Alrizal Alrizal, Yoza Fendriani</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by/4.0</dc:rights>
</oai_dc:dc>