Ayu Lestari, Putri and Setyaningsih, Sri and Maesya, Aries (2020) OPTIMASI PARTICLE SWARM OPTIMIZATION UNTUK DETEKSI PENYAKIT KANKER PAYUDARA. Skripsi thesis, Universitas Pakuan.
Full text not available from this repository.Abstract
Abstrak Kanker payudara adalah jaringan payudara yang berasal dari kelenjar, saluran kelenjar dan jaringan penunjang payudara akan diserang oleh tumor ganas. Dataset berupa kanker payudara Coimbra dapat diperoleh dari UCI Machine Learning dengan 9 atribut yang mempengaruhi tingkat akurasi terhadap kanker payudara. Atribut tersebut adalah Age, BMI (Body Mass Index), Glucose, Insulin, HOMA, Leptin, Adiponectin, Resistin, MCP, Output. Tujuan penelitian ini yaitu untuk mengoptimalkan sebuah metode K-Nearest Neighbor berbasis Particle Swarm Optimization pada penyakit kanker payudara untuk mendapatkan hasil akurasi yang lebih baik. Berdasarkan hasil yang diperoleh dapat disimpulkan bahwa pembagian data latih dan data uji menggunakan k-fold cross validation digunakan 5 dan 6 literasi dengan jumlah data uji keseluruhan sebesar 30 data. Dari hasil k-fold cross validation ditentukan dengan nilai akurasi pada k 6 dengan rata-rata sebesar 81,13%. Sedangkan pengujian dengan pembobotan atribut yang berpengaruh yaitu ada 5 atribut. Atribut tersebut diantaranya adalah glucose, homa, leptin, adiponectin, resistin, mcp.1 dengan menghasilkan akurasi 86.67%. Dari hasil perhitungan nilai lain dapat dilihat precision dengan akurasi 70.00%, recall 87.50%, sensitivity 87.50%, specifitiy 95.00%, dan AUC 0.825. AUC yang termasuk dalam kategori baik (Good Classification). Kata Kunci : Particle Swarm Optimization, Kanker Payudara, data mining.
Item Type: | Thesis (Skripsi) |
---|---|
Subjects: | Fakultas Ilmu Pengetahuan Alam dan Matematika > Ilmu Komputer |
Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Ilmu Komputer |
Depositing User: | PERPUSTAKAAN FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNPAK |
Date Deposited: | 26 Aug 2022 05:51 |
Last Modified: | 03 Sep 2022 17:30 |
URI: | http://eprints.unpak.ac.id/id/eprint/824 |
Actions (login required)
View Item |