PERBANDINGAN ALGORITMA K-NEAREST NEIGHBOR (KNN) DAN DECISION TREE C-45 DAN OPTIMASI MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) UNTUK DETEKSI DINI KANKER PAYUDARA

Fahrurrozi, Rozi (2024) PERBANDINGAN ALGORITMA K-NEAREST NEIGHBOR (KNN) DAN DECISION TREE C-45 DAN OPTIMASI MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) UNTUK DETEKSI DINI KANKER PAYUDARA. Masters thesis, INSTITUT INFORMATIKA DAN BISNIS DARMAJAYA BANDAR LAMPUNG.

	Text COVER.pdf Download (281kB)
	Text HALAMAN KATA PENGANTAR.pdf Download (289kB)
	Text HALAMAN PENGESAHAN.pdf Download (808kB)
	Text HALAMAN PERSETUJUAN.pdf Download (804kB)
	Text PERNYATAAN.pdf Download (365kB)
	Text DAFTAR ISI.pdf Download (567kB)
	Text DAFTAR GAMBAR.pdf Download (530kB)
	Text DAFTAR TABEL.pdf Download (528kB)
	Text ABSTRACT.pdf Download (514kB)
	Text ABSTRAK.pdf Download (513kB)
	Text BAB 1.pdf Download (655kB)
	Text BAB 2.pdf Download (803kB)
	Text BAB 3.pdf Download (695kB)
	Text BAB 4.pdf Download (1MB)
	Text BAB 5.pdf Download (503kB)
	Text DAFTAR PUSTAKA.pdf Download (553kB)

Abstract

Kanker payudara merupakan salah satu jenis kanker yang memiliki dampak signifikan terhadap kesehatan global, khususnya pada populasi wanita, sehingga deteksi dini dan pengelolaan penyakit ini menjadi prioritas penting. Penelitian ini bertujuan untuk membandingkan kinerja algoritma K-Nearest Neighbor (KNN) dan Decision Tree C4.5 dalam klasifikasi kanker payudara, serta untuk mengevaluasi efektivitas penggunaan Particle Swarm Optimization (PSO) dalam meningkatkan kinerja kedua algoritma tersebut. Data yang digunakan diperoleh dari dataset yang tersedia di Kaggle, dan penelitian ini menggunakan metode Knowledge Discovery In Database (KDD). Analisis dilakukan menggunakan tool RapidMiner, dan hasil penelitian menunjukkan bahwa model KNN tanpa PSO mencapai akurasi sebesar 98,03%, namun terdapat beberapa instance positif yang tidak terdeteksi. Namun, dengan penambahan PSO, terjadi peningkatan signifikan dalam semua metrik evaluasi, membuat model KNN dengan PSO menjadi pilihan unggul dengan akurasi 99,78%, presisi 100%, dan AUC 1,000. Sementara itu, model Decision Tree tanpa PSO mencapai akurasi 97,81%, namun terdapat potensi untuk peningkatan pada beberapa metrik evaluasi. Dengan penambahan PSO, Decision Tree menunjukkan peningkatan yang signifikan dalam semua metrik evaluasi, dengan akurasi 99,34%, presisi 98,96%, dan AUC 0,997. Secara keseluruhan, penelitian ini menekankan pentingnya membandingkan dan mengoptimalkan algoritma dalam deteksi dini kanker payudara. Penggunaan Particle Swarm Optimization (PSO) terbukti memberikan kontribusi yang signifikan dalam meningkatkan performa model klasifikasi. Hasil ini memberikan wawasan yang berharga dalam pengembangan teknik deteksi dini kanker payudara yang lebih efektif dan efisien. Kata kunci: Kanker Payudara, KNN, Decision Tree, Particle Swarm Optimization

Item Type:	Thesis (Masters)
Subjects:	Ilmu Komputer eTheses
Divisions:	Pasca Sarjana > Magister Teknik Informatika
Depositing User:	FahrurrozI Rozi Ghalib
Date Deposited:	25 Jun 2024 00:36
Last Modified:	25 Jun 2024 00:36
URI:	http://repo.darmajaya.ac.id/id/eprint/16567

Actions (login required)

View Item