Perbandingan Algoritma Random Forest, Decision Tree, dan Support Vector Machine (SVM) dalam Klasifikasi Tingkat Keganasan Kanker Payudara

• MOHAMAD FADLAN ARYANSYAH
• 2025

---

Kanker payudara merupakan salah satu penyakit dengan tingkat kematian tertinggi pada wanita, sehingga deteksi dini sangat penting untuk meningkatkan peluang kesembuhan. Penelitian ini bertujuan untuk membangun model klasifikasi tingkat keganasan kanker payudara menggunakan algoritma Decision Tree, Random Forest, dan Support Vector Machine (SVM) dengan dataset Breast Cancer Wisconsin (Diagnostic). Proses pelatihan dan pengujian dilakukan melalui platform Orange dengan pembagian data sebesar 80% untuk training dan 20% untuk testing. Hasil pengujian menunjukkan bahwa algoritma Decision Tree memiliki akurasi 94,9% dengan keunggulan pada interpretasi yang sederhana namun masih terbatas dalam ketepatan prediksi. Algoritma SVM memperoleh akurasi 97,8% dengan tingkat kesalahan klasifikasi yang rendah, menunjukkan kemampuannya dalam memisahkan kelas benign dan malignant secara optimal. Sementara itu, Random Forest memberikan performa terbaik dengan akurasi 98,5%, precision 98,5%, recall 98,5%, dan F1-score 98,5%, membuktikan efektivitas metode ensemble dalam mengurangi risiko overfitting serta meningkatkan keandalan model. Secara keseluruhan, penelitian ini menyimpulkan bahwa Random Forest merupakan algoritma paling efektif untuk klasifikasi tingkat keganasan kanker payudara, dengan SVM sebagai alternatif kuat dan Decision Tree sebagai baseline model yang mudah diinterpretasikan.

• Kanker payudara
• Decision Tree
• Random Forest
• Support Vector Machine (SVM)
• klasifikasi
• machine le

https://repository.bsi.ac.id/repo/72728/Perbandingan-Algoritma-Random-Forest,-Decision-Tree,-dan-Support-Vector-Machine-(SVM)-dalam-Klasifikasi-Tingkat-Keganasan-Kanker-Payudara
Anda dapat membaca file tugas akhir ini di repository.