Prediksi Survivabilitas Pasien Kanker Payudara dengan Penanganan Imbalance Data Menggunakan Algoritma Machine Learning

Abstrak

Kanker payudara merupakan salah satu penyebab kematian tertinggi pada wanita di seluruh dunia. Tantangan utama dalam pemodelan prediksi survivabilitas pasien kanker adalah ketidakseimbangan data (imbalanced data), di mana jumlah pasien yang bertahan hidup jauh lebih banyak dibandingkan pasien yang meninggal. Penelitian ini bertujuan untuk membandingkan kinerja tiga algoritma machine learning, yaitu Logistic Regression, Support Vector Classifier (SVC), dan Gradient Boosting Classifier, dalam memprediksi status survivabilitas pasien. Untuk mengatasi masalah ketidakseimbangan kelas, teknik Random Over Sampling (ROS) diterapkan pada tahap pra-pemrosesan data. Metodologi meliputi encoding data kategorikal, resampling, dan evaluasi model menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil eksperimen menunjukkan bahwa penerapan ROS berhasil menyeimbangkan distribusi kelas. Di antara ketiga model yang diuji, algoritma Gradient Boosting menunjukkan performa terbaik dibandingkan model linear dan berbasis vektor. Penelitian ini memberikan wawasan mengenai pentingnya penanganan data tidak seimbang dalam meningkatkan akurasi diagnosis medis berbasis kecerdasan buatan.

Identifier

• DOI: https://doi.org/10.30873/jodmapps.v2i1.1461
• OpenAlex: https://openalex.org/W7167917437