RANCANG BANGUN APLIKASI PREDIKSI KANKER PAYUDARA DENGAN PENDEKATAN MACHINE LEARNING

Nur Tri Ramadhanti Adiningrum; Resa Rianti; Cahyo Priyanto

doi:10.23960/jitet.v11i3s1.3351

Nur Tri Ramadhanti Adiningrum
Universitas Logistik dan Bisnis Internasional
Resa Rianti
Universitas Logistik dan Bisnis Internasional
Cahyo Priyanto
Universitas Logistik dan Bisnis Internasional

DOI: https://doi.org/10.23960/jitet.v11i3s1.3351

Abstract Views (Last 12 Months)

1122 Abstract Views

957 Downloads

Abstract

Kanker payudara merupakan penyakit terbanyak yang ditemukan pada wanita dan angka kematiannya menempati posisi kedua kasus kanker yang dapat mempengaruhi lebih dari 2,1 juta orang pada tahun 2020. Berdasarkan kasus tersebut dapat diketahui kanker payudara adalah kanker penyebab utama kematian wanita. Namun kematian ini dapat dikurangi dengan melakukan deteksi dini terhadap sel kanker. Oleh karena itu, pencegahan kanker berperan penting dalam proses pengobatan dan membantu meningkatkan angka pemulihan hidup. Prediksi kanker dapat membantu pasien untuk berkonsultasi dengan dokter lebih cepat. Sehingga, prediksi kanker yang tepat sangat penting untuk memperbarui perawatan pasien kanker payudara. Teknik Machine Learning dapat dilakukan untuk memprediksi kanker payudara karena dapat menangkap interaksi tingkat tinggi antar data yang mungkin menghasilkan prediksi yang lebih baik untuk membedakan antara jinak dan ganas. Oleh karena itu, penelitian ini digunakan pendekatan klasifikasi yang efektif Support Vector Machine (SVM). SVM adalah model yang digunakan untuk melakukan prediksi kanker payudara. Untuk mempermudah proses prediksi, hasil prediksi kanker payudara diterapkan dalam bentuk web base dengan framework Django untuk dapat digunakan oleh dokter dalam menentukan keputusan dengan cepat. Hasil modeling menunjukkan bahwa prediksi kanker payudara menggunakan SVM memperoleh akurasi sebesar 98,24%. Sehingga model yang dibuat sangat baik sehingga aplikasi akan bekerja untuk memprediksi dengan baik.

Downloads

Download data is not yet available.

References

L. Ayu Marcelina and A. Sri Yuliningtyas, “Penerapan Manajemen Stress sebagai Terapi Komplementer bagi Penyintas Kanker di Komunitas Kanker Indonesia,” Jurnal Bakti Masyarakat Indonesia, vol. 4, no. 3, 2021, doi: https://doi.org/10.24912/jbmi.v4i3.13467.

R. Y. Robot, M. F. Durry, and C. F. Kairupan, “Morfologi, Patogenesis, dan Imunoterapi Kanker Paru Tipe Adenokarsinoma,” Medical Scope Journal, vol. 3, no. 1, p. 74, 2021, doi: 10.35790/msj.3.1.2021.33544.

A. I. S. Azis, I. Surya Kumala Idris, B. Santoso, and Y. Aril Mustofa, “Pendekatan Machine Learning yang Efisien untuk Prediksi Kanker Payudara,” Jurnal Rekayas a Sistem dan T eknol ogi Informasi , vol. 3, no. 3, pp. 458–469, 2019, Accessed: Oct. 22, 2022. [Online]. Available: http://jurnal.iaii.or.id/index.php/RESTI/article/view/1347/180

S. Raj Gupta, “Prediction Time Of Breast Cancer Tumor Recurrence Using Machine Learning,” Cancer Treat Res Commun, vol. 32, pp. 2–9, 2022, doi: https://doi.org/10.1016/j.ctarc.2022.100602.

A. Bharat, N. Pooja, and R. A. Reddy, “Using Machine Learning algorithms for breast cancer risk prediction and diagnosis,” IEEE Third International Conference on Circuits, Control, Communication and Computing, 2018, doi: https://doi.org/10.1109/CIMCA.2018.8739696.

M. A. Naji, S. el Filali, K. Aarika, E. H. Benlahmar, R. A. Abdelouhahid, and O. Debauche, “Machine Learning Algorithms For Breast Cancer Prediction And Diagnosis,” Procedia Comput Sci, vol. 191, pp. 487–492, 2021, doi: https://doi.org/10.1016/j.procs.2021.07.062.

S. Febriani and H. Sulistiani, “Analisis Data Hasil Diagnosa Untuk Klasifikasi Gangguan Kepribadian Menggunakan Algoritma C4.5,” Jurnal Teknologi dan Sistem Informasi (JTSI), vol. 2, no. 4, pp. 89–95, 2021, doi: https://doi.org/10.33365/jtsi.v2i4.1373.

A. E. E. Rashed, A. M. Elmorsy, and A. E. M. Atwa, “Comparative evaluation of automated machine learning techniques for breast cancer diagnosis,” Biomed Signal Process Control, vol. 86, 2023, doi: https://doi.org/10.1016/j.bspc.2023.105016.

J. A. Carter, C. S. Long, B. P. Smith, T. L. Smith, and G. L. Donati, “Combining elemental analysis of toenails and machine learning techniques as a non-invasive diagnostic tool for the robust classification of type-2 diabetes,” Expert Systems With Applications , vol. 115, pp. 245–255, 2019, doi: https://doi.org/10.1016/j.eswa.2018.08.002.

V. Chang, M. A. Ganatra, K. Hall, L. Golightly, and Q. A. Xu, “An assessment of machine learning models and algorithms for early prediction and diagnosis of diabetes using health indicators,” Healthcare Analytics, vol. 2, Nov. 2022, doi: https://doi.org/10.1016/j.health.2022.100118.

J. Chaki, S. T. Ganesh, S. K. Cidham, and S. A. Theertan, “Machine learning and artificial intelligence based Diabetes Mellitus detection and self-management: A systematic review,” Journal of King Saud University - Computer and Information Sciences, vol. 34, no. 6, pp. 3204–3225, Jun. 2022, doi: https://doi.org/10.1016/j.jksuci.2020.06.013.

Romsida, “Transformasi Peran Akuntan dalam Era Revolusi Industri 4.0 dan Tantangan Era Society 5.0,” Inovbiz : Jurnal Inovasi Bisnis, vol. 7, pp. 206–212, 2019, Accessed: Jul. 18, 2023. [Online]. Available: www.ejournal.polbeng.ac.id/index.php/IBP

A. Nicolucci et al., “Prediction of complications of type 2 Diabetes: A Machine learning approach,” Diabetes Res Clin Pract, vol. 190, 2022, doi: https://doi.org/10.1016/j.diabres.2022.110013.

Muawia A. Elsadig, “A Machine Learning Approach For Breast Cancer Early Detection,” J Theor Appl Inf Technol, vol. 99, no. 5, pp. 1044–1053, 2021, Accessed: Jan. 17, 2023. [Online]. Available: http://www.jatit.org/volumes/Vol99No5/4Vol99No5.pdf

M. Aditia Farhan, “Pengembangan Aplikasi Prediksi Penjualan di 372 Kopi Menggunakan Algoritma Multiple Linear Regression,” Bandung, 2021.

D. Saputra and R. Fathoni Aji, “Analisis Perbandingan Performa Web Service Rest Menggunakan Framework Laravel, Django Dan Ruby On Rails Untuk Akses Data Dengan Aplikasi Mobile (Studi Kasus: Portal E-Kampus STT Indonesia Tanjungpinang),” Bangkit Indonesia, vol. 2, no. 2, pp. 17–22, 2018, doi: 10.52771/bangkitindonesia.v7i2.90.

G. Verras, L. Tchabashvili, D.-D. Chlorogiannis, F. Mulita, and M. Argentou, “Updated Clinical Evidence on the Role of Adipokines and Breast Cancer: A Review,” MDPI, vol. 15, no. 5, 2023, doi: https://doi.org/10.3390/cancers15051572.

Md. M. Hassan et al., “A comparative assessment of machine learning algorithms with the Least Absolute Shrinkage and Selection Operator for breast cancer detection and prediction,” Decision Analytics Journal, vol. 7, 2023, doi: https://doi.org/10.1016/j.dajour.2023.100245.

M. M. Teye, “Understanding of Machine Learning with Deep Learning: Architectures, Workflow, Applications and Future Directions,” MDPI, vol. 12, no. 5, Apr. 2023, doi: https://doi.org/10.3390/computers12050091.

M. Cakir, M. Yilmaz, M. A. Oral, H. O. Kazanci, and Okan Oral, “Accuracy assessment of RFerns, NB, SVM, and kNN machine learning classifiers in aquaculture,” Journal of King Saud University-Science, vol. 35, no. 6, Aug. 2023, doi: https://doi.org/10.1016/j.jksus.2023.102754.

D. Saputra and R. F. Aji, “Analisis Perbandingan Performa Web Service Rest Menggunakan Framework Laravel, Django Dan Ruby On Rails Untuk Akses Data Dengan Aplikasi Mobile (Studi Kasus: Portal E-Kampus STT Indonesia Tanjungpinang) ,” Bangkit Indonesia, vol. 2, no. 7, pp. 17–22, 2018.

M. Ali Machmudi, “Uji Pengaruh Karakteristik Dataset Pada Performa Algoritma Klasifikasi,” Journal of Computer, information system, &technologymanagement, vol. 1, no. 2, pp. 7–11, 2018, Accessed: Jan. 21, 2023. [Online]. Available: http://e-journal.unipma.ac.id/index.php/RESEARCH/article/view/2449/pdf

Pratiwi. Andini, E. Budhiarti Nababan, and Amalia, “Detection of the Use of Mask to Prevent the Spread of COVID-19 Using SVM, Haar Cascade Classifier, and Robot Arm,” Journal of Computing and Applied Informatics (JoCAI), vol. 6, no. 2, pp. 125–137, 2022, Accessed: Jan. 20, 2023. [Online]. Available: https://talenta.usu.ac.id/JoCAI/article/view/9289/5173

M. H. Memon and Z. Wang, “Breast Cancer Detection in the IOT Health Environment Using Modified Recursive Feature Selection,” Hindawi: Wireless Communications and Mobile Computing, vol. 2019, no. 5176705, pp. 1–19, 2019, doi: 10.1155/2019/5176705.

A. S. Ritonga and E. S. Purwaningsih, “Penerapan Metode Support Vector Machine (SVM) Dalam Klasifikasi Kualitas Pengelasan SMAW (Shield Metal Arc Welding),” Jurnal Ilmiah Edutic, vol. 5, no. 1, pp. 17–25, 2018.

Samsudiney, “Penjelasan Sederhana tentang Apa Itu SVM?,” 2019. https://medium.com/@samsudiney/penjelasan-sederhana-tentang-apa-itu-svm-149fec72bd02 (accessed Jan. 11, 2023).

M. A. Hasanah, S. Soim, and A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” Journal of Applied Informatics and Computing (JAIC), vol. 5, no. 2, p. 103, 2021, Accessed: Jul. 18, 2023. [Online]. Available: http://jurnal.polibatam.ac.id/index.php/JAIC

W. Hidayat, M. Ardiansyah, and A. Setyanto, “Pengaruh Algoritma ADASYN dan SMOTE terhadap Performa Support Vector Machine pada Ketidakseimbangan Dataset Airbnb ,” Jurnal Pendidikan Informatika (EDUMATIC), vol. 5, no. 1, pp. 11–20, 2021, doi: 10.29408/edumatic.v5i1.3125.

F. Satria, Zamhariri, and M. Apun Syaripudi, “Prediksi Ketepatan Waktu Lulus Mahasiswa Menggunakan Algoritma C4.5 Pada Fakultas Dakwah Dan Ilmu Komunikasi UIN Raden Intan Lampung,” Jurnal Ilmiah MATRIK, vol. 2, no. 1, pp. 28–35, 2020, Accessed: Jan. 20, 2023. [Online]. Available: https://journal.binadarma.ac.id/index.php/jurnalmatrik/article/download/836/474/

Tri A. Kurniawan, “Pemodelan Use Case (UML): Evaluasi Terhadap Beberapa Kesalahan Dalam Praktik,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 5, no. 1, pp. 77–86, 2018, doi: 10.25126/jtiik.201851610.