Komparasi Metode Multi Layer Perceptron (MLP) dan Support Vector Machine (SVM) untuk Klasifikasi Kanker Payudara

JAKA KUSUMA; B. HERAWAN HAYADI; WANAYUMINI WANAYUMINI; RIKA ROSNELLY

doi:10.26760/mindjournal.v7i1.51-60

Komparasi Metode Multi Layer Perceptron (MLP) dan Support Vector Machine (SVM) untuk Klasifikasi Kanker Payudara

JAKA KUSUMA, B. HERAWAN HAYADI, WANAYUMINI WANAYUMINI, RIKA ROSNELLY

Sari

ABSTRAK

Penyebab kematian utama saat ini di dunia salah satunya dikarenakan oleh penyakit kanker. Menurut data Globocan 2018, dengan tingkat kematian rerata 17 per 100.000 jiwa dan insiden sebanyak 2,1 per 100.000 jiwa untuk kanker payudara yang menyerang wanita di Indonesia. Hal ini menjadikan Indonesia menempati peringkat ke-23 di Asia dan ke-8 di Asia Tenggara. Seiring perkembangan teknologi, sistem berbantuan komputer telah membantu orang di berbagai bidang misalnya di bidang medis. Penentuan jenis kanker payudara menggunakan mechine learning dapat membantu ahli patologi melakukan pemeriksaan secara lebih konsisten dan efisien. Pada penelitian ini, akan dilakukan komparasi metode Multi Layer Perceptron (MLP) dan Support Vector Machine (SVM) untuk klasifikasi kanker payudara. Adapun hasil yang didapatkan menunjukan bahwa, dalam klasifikasi metode Multi Layer Perceptron (MLP) dengan fungsi aktivasi Logistic dan fungsi optimisasi Adam memberikan nilai accuracy, precision dan recall terbaik dibandingkan Support Vector Machine yaitu sebesar 97.7%.

Kata kunci: Multi Layer Perceptron (MLP), Aktivasi Logistic, Optimisasi Adam, Support Vector Machine (SVM), Kanker Payudara

ABSTRACT

The leading cause of death today in the world is due to cancer. According to Globocan 2018 data, with an average mortality rate of 17 per 100,000 people and an incidence of 2.1 per 100,000 people for breast cancer that affects women in Indonesia. This makes Indonesia ranked 23rd in Asia and 8th in Southeast Asia. As technology has evolved, computer-aided systems have helped people in various fields such as in the medical field. Determination of the type of breast cancer using mechine learning can help pathologists perform examinations more consistently and efficiently. In this study, a comparison of the Multi Layer Perceptron (MLP) and Support Vector Machine (SVM) methods will be carried out for breast cancer classification. The results obtained showed that, in the classification of multi layer perceptron (MLP) methods with logistic activation function and Adam optimization function provides the best accuracy, precision and recall value compared to Support Vector Machine which is 97.7%.

Keywords: Multi Layer Perceptron (MLP), Logistic Activation, Adam Optimization, Support Vector Machine (SVM), Breast Cancer

Teks Lengkap:

PDF

Referensi

Atthalla, I. N., Jovandy, A., & Habibie, H. (2018). Klasifikasi Penyakit Kanker Payudara Menggunakan Metode K Nearest Neighbor. 4.

DemsË‡ar, J., Curk, T., Erjavec, A., Demsar, J., Curk, T., Erjave, A., Gorup, C., Hocevar, T., Milutinovic, M., Mozina, M., Polajnar, M., Toplak, M., Staric, A., Stajdohar,

M., Umek, L., Zagar, L., Zbontar, J., Zitnik, M., & Zupan, B. (2013). Orange: Data Mining Toolbox in Python. The Journal of Machine Learning Research, 14(1), 5.

Derisma, D., & Febrian, F. (2020). Perbandingan Teknik Klasifikasi Neural Network, Support Vector Machine, dan Naive Bayes dalam Mendeteksi Kanker Payudara. BINA INSANI ICT JOURNAL, 7(1), 53. https://doi.org/10.51211/biict.v7i1.1343

Erwandi, R., & Suyanto, S. (2020). Klasifikasi Kanker Payudara Menggunakan Residual Neural Network. 5(1), 8.

Hayadi, B. H., Sudipa, I. G. I., & Windarto, A. P. (2021). Model Peramalan Artificial Neural Network pada Peserta KB Aktif Jalur Pemerintahan menggunakan Artificial Neural Network Back-Propagation. MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, 21(1), 11â€“20. https://doi.org/10.30812/matrik.v21i1.1273

Khadijah, K., & Kusumaningrum, R. (2019). Ensemble Classifier untuk Klasifikasi Kanker Payudara. IT JOURNAL RESEARCH AND DEVELOPMENT, 4(1), 61â€“71. https://doi.org/10.25299/itjrd.2019.vol4(1).3540

Kusuma, J., Abwabul, J., Zulkarnain Lubis, M., Rubianto, & Rosnelly, R. (2022). Komparasi Algoritma Support Vector Machine Dan Naive Bayes Pada Klasifikasi Ras Kucing. Jurnal Generic, 14(2), 8â€“12.

Oktavianto, H., & Handri, R. P. (2020). Analisis Klasifikasi Kanker Payudara Menggunakan Algoritma Naive Bayes. INFORMAL: Informatics Journal, 4(3), 117. https://doi.org/10.19184/isj.v4i3.14170

Palacios, C. A., Reyes-SuÃ¡rez, J. A., Bearzotti, L. A., Leiva, V., & Marchant, C. (2021). Knowledge Discovery for Higher Education Student Retention Based on Data Mining: Machine Learning Algorithms and Case Study in Chile. Entropy, 23(4), 485. https://doi.org/10.3390/e23040485

Resmiati, R., & Arifin, T. (2021). Klasifikasi Pasien Kanker Payudara Menggunakan Metode Support Vector Machine dengan Backward Elimination. SISTEMASI, 10(2), 381. https://doi.org/10.32520/stmsi.v10i2.1238

Ridhovan, A., & Suharso, A. (2022). PENERAPAN METODE RESIDUAL NETWORK (RESNET) DALAM KLASIFIKASI PENYAKIT PADA DAUN GANDUM. JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), 7(1), 58â€“65. https://doi.org/10.29100/jipi.v7i1.2410

Sari, N. P. W. P. (2019). Women Living With Breast and Cervical Cancer in the Community: The Face of Surabaya Nowadays. Indonesian Journal of Cancer, 12(4), 116. https://doi.org/10.33371/ijoc.v12i4.605

Wibawa, M. S., & Maysanjaya, I. M. D. (2018). MULTI LAYER PERCEPTRON DAN PRINCIPAL COMPONENT ANALYSIS UNTUK DIAGNOSA KANKER PAYUDARA. Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), 7(1), 90. https://doi.org/10.23887/janapati.v7i1.12909

DOI: https://doi.org/10.26760/mindjournal.v7i1.51-60