Machine Learning Diagnosis Kanker Payudara Menggunakan Algoritma Support Vector Machine

Chalifa Chazar; Bagus Erawan

doi:10.37424/informasi.v12i1.48

Chalifa Chazar stmik im
Widhiaputra STMIK IM

DOI: https://doi.org/10.37424/informasi.v12i1.48

Keywords: Kanker payudara, Machine Learning, Support Vector Machine

Abstract

Kanker payudara merupakan penyebab kematian nomor dua pada wanita. Penyakit ini sulit dideteksi pada fase awal. Akan tetapi, kebanyakan penderita baru mengetahui kondisinya setelah memasuki fase tertentu dalam kondisi yang parah dan sulit disembuhkan. Salah satu bentuk pemeriksaan untuk mendiagnosis penyakit kanker payudara adalah dengan melakukan biopsi. Biopsi adalah teknik pemeriksaan yang dilakukan dengan mengambil cairan di payudara menggunakan Fine Needle Aspiration (FNA), selanjutnya hasil biopsi FNA akan diperiksa lagi di laboratorium untuk mendapatkan hasil diagnosis. Untuk mendapatkan hasil yang akurat dari proses biopsi dibutuhkan waktu yang lama. Machine Learning (ML) dapat digunakan untuk mencari dan menemukan pola yang unik dari sekumpulan data. Algoritma Support Vector Machine (SVM) dipilih karena algoritma ini mampu mengklasifikasikan nilai ke dalam kelas-kelas tertentu. Algoritma SVM juga memiliki tingkat akurasi yang lebih tinggi dibandingkan dengan algoritma lainnya. Penelitian ini bertujuan untuk membangun aplikasi ML yang dapat mendiagnosis penyakit kanker payudara dengan menggunakan Algoritma SVM untuk mencari pola data dari sekumpulan data masa lalu untuk menghasilkan hasil diagnosis yang akurat. Hasil dari penelitian ini menunjukan bahwa Algoritma SVM pada ML dapat digunkan untuk mencari suatu pola data dari sekumpulan data masa lalu yang dapat menghasilkan prediksi untuk menentukan sel hidup kanker payudara bersifat ganas atau jinak.

References

Asri, H., Mousannif, H., Al Moatassime, H., & Noel, T. (2016). Using Machine Learning Algorithms for Breast Cancer Risk Prediction and Diagnosis. Procedia Computer Science, 83(Fams), 1064–1069. https://doi.org/10.1016/j.procs.2016.04.224
Edition, S. (2017). AJCC Cancer Staging Manual. AJCC Cancer Staging Manual. https://doi.org/10.1007/978-3-319-40618-3
Edriss, E., Ali, E., & Feng, W. Z. (2016). Breast Cancer Classification using Support Vector Machine and Neural Network. International Journal of Science and Research (IJSR), 5(3), 1–6. https://doi.org/10.21275/v5i3.nov161719
Janardhanan, P., Heena, L., & Sabika, F. (2015). Effectiveness of support vector machines in medical data mining. Journal of Communications Software and Systems, 11(1), 25–30. https://doi.org/10.24138/jcomss.v11i1.114
Primartha, R (2018). Belajar Machine Learning. Informatika. Bandung.
Son, Y. J., Kim, H. G., Kim, E. H., Choi, S., & Lee, S. K. (2010). Application of support vector machine for prediction of medication adherence in heart failure patients. Healthcare Informatics Research, 16(4), 253–259. https://doi.org/10.4258/hir.2010.16.4.253
W. N. Street, O. L. Mangasarian, and W.H. Wolberg. Breast Cancer Wisconsin (Prognostic) Dataset. UCI.
http://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer-wisconsin/
Zhao, C. Y., Zhang, H. X., Zhang, X. Y., Liu, M. C., Hu, Z. D., & Fan, B. T. (2006). Application of support vector machine (SVM) for prediction toxic activity of different data sets. Toxicology, 217(2–3), 105–119. https://doi.org/10.1016/j.tox.2005.08.019