OPTIMASI ALGORITMA RANDOM FOREST DENGAN HYPERPARAMETER TUNING PADA DETEKSI DINI KANKER PAYUDARA

• FAISAL AHMADIAN
• 2024

---

Faisal Ahmadian (15200110), Optimasi Algoritma Random Forest dengan Hyperparameter Tuning Pada Deteksi Dini Kanker Payudara

Penelitian ini bertujuan mengoptimalkan algoritma Random Forest dalam pendeteksian dini kanker payudara melalui hyperparameter tuning. Data yang digunakan diambil dari Kaggle. Tahapan penelitian mencakup pengumpulan data, pra-pemrosesan, penerapan model Random Forest, tuning hyperparameter dengan Grid Search, dan evaluasi kinerja model. Hasil penelitian menunjukkan bahwa model Random Forest yang dioptimalkan dengan hyperparameter terbaik menunjukkan kinerja lebih baik dibandingkan model default. Akurasi meningkat dari 90% menjadi 92%, recall dari 76% menjadi 78%, dan presisi dari 86% menjadi 90%. F1-score juga meningkat dari 80% menjadi 82%, sementara AUC-ROC tetap di 91%. Peningkatan metrik ini menandakan dampak positif tuning terhadap kinerja model, dengan model tidak mengalami overfitting dan mampu menggeneralisasi dengan baik pada data pengujian. Penelitian ini memberikan kontribusi pada deteksi dini kanker payudara dengan menekankan pentingnya optimasi hyperparameter. Penelitian selanjutnya disarankan untuk mengeksplorasi dataset tambahan, metode lain, dan teknik optimasi untuk hasil yang lebih baik.

Kata Kunci: Random Forest, Hyperparameter Tuning, Grid Search, Kanker Payudara, Machine Learning

• Kata Kunci: Random Forest
• Hyperparameter Tuning
• Grid Search
• Kanker Payudara
• Machine Learning

https://repository.bsi.ac.id/repo/56734/OPTIMASI-ALGORITMA-RANDOM-FOREST-DENGAN-HYPERPARAMETER-TUNING-PADA-DETEKSI-DINI-KANKER-PAYUDARA
File full-text dikunci.