Prediksi Kanker Payudara dengan Membandingkan Beberapa Algoritma Machine Learning Berdasarkan Hasil Analisis Komposisi Darah

Kanker payudara merupakan salah satu jenis kanker yang menjadi penyebab utama kematian yang meningkat setiap tahunnya terutama pada wanita. Tingkat kelangsungan hidup penderita yang terkena kanker payudara, khususnya di negara berkembang masih kurang dari 40%. Hal ini terjadi akibat kurangnya kemampuan prediksi awal kemunculan kanker payudara. Penelitian ini memberikan alternatif solusi dalam melakukan prediksi kanker payudara, dengan menggunakan teknologi machine learning dan standar kerangka kerja CRISP-DM berdasarkan Age, Body Mass Index (BMI), dan beberapa kandungan zat dalam tubuh, seperti Glucose, Insulin, HOMA, Leptin, Adiponectin, Resistin, dan MCP-1. Beberapa algoritma yang digunakan dalam penelitian ini untuk memprediksi kanker payudara, yaitu Decision Tree, K-NN, Naïve Bayes, SVM, dan Random Forest serta optimalisasi parameter. Dari hasil pembuatan model, akurasi tertinggi yang didapat adalah 81% menggunakan Decision Tree, sementara K-NN sebesar 59%, Naïve Bayes sebesar 65%, SVM sebesar 75%, dan Random Forest sebesar 79%. Selain itu, model Decision Tree menunjukkan bahwa fitur dengan tingkat korelasi tertinggi terhadap kanker payudara adalah Glucose. Semakin tinggi kadar Glucose dalam darah semakin tinggi pula peluang adanya kanker payudara. Sebaliknya, orang yang menderita kanker payudara cenderung memiliki nilai BMI yang rendah walaupun nilai korelasi BMI terhadap kanker payudara di bawah kandungan Glucose