SISTEM PAKAR KLASIFIKASI KANKER PAYUDARA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR
Article Sidebar
Main Article Content
Abstract
Sistem pakar merupakan sistem yang berusaha mengadopsi kepakaran manusia sehingga komputer bisa melakukan hal-hal yang dapat dikerjakan oleh seorang pakar untuk memecahkan permasalahan yang bersifat spesifik. Pakar dalam hal ini adalah seorang yang ahli dibidangnya. Sistem pakar dapat digunakan untuk semua bidang ilmu termasuk dunia medis/kedokteran. Dataset yang digunakan dalam penelitian ini adalah breast cancer coimbra yang merupakan dataset sekunder yang didapat dari UCI Machine Learning Repository. Dataset ini terdiri dari 116 sampel data dengan 10 atribut yaitu age, Body Mass Index (BMI), glucose, insulin, Homeostatic model assessment (HOMA), leptin, adiponectin, resistin dan monocyte chemoattractant protein-1 (MCP-1) Dimana keseluruhan atribut tersebut bernilai numerik. Ada banyak teknik untuk meningkatkan keakuratan keputusan yang dapat digunakan salah satunya dengan menggunakan algoritma sehingga dapat meningkatkan keakuratan keputusan yang diambil. Salah satu algoritma yang paling baik dalam menangani dataset dengan nilai numerik adalah k-nearest neighbor dan neural network. Namun algoritma k-nearest neighbor merupakan algoritma yang paling mudah dipahami dan diimplementasikan serta paling sederhana diantara algoritma lain. Sementara neural network merupakan algoritma yang kompleks dan sulit dipahami, dalam beberapa kasus k-nearest neighbor dianggap sebanding dengan algoritma yang lebih kompleks seperti neural network dan support vector machine. Hasil dari penelitian ini adalah suatu rekayasa inferensi kepakaran dengan tujuan untuk memperoleh keputusan klinis penyakit kanker payudara berdasarkan tingkat stadiums ebagai upaya meningkatkan pelayanan praktek kedokteran pada pasien untuk penanganan medis sedini mungkin.
Article Details
References
Crisostomo, J., Matafome, P., & Santos-Silva, D. (2016). Hyperresistinemia and metabolic dysregulation: a risky crosstalk in obese breast cancer. Endocrine, 433-442.
Global Cancer Observatory. (2018). Database Cancer Worldwide. Retrieved from Global Cancer Observatory: https://gco.iarc.fr/databases.php
Gorunescu, F. (2011). Data Mining: Concepts, Models and Techniques. New York: Springer.
Islam, M., & Poly, T. N. (2019). Machine Learning Models of Breast Cancer Risk Prediction. bioRxiv.
Kementerian Kesehatan. (2019, Januari 31). Hari Kanker Sedunia 2019. (Kementerian Kesehatan Republik Indonesia) Retrieved Maret 28, 2020, from Kementerian Kesehatan Republik Indonesia: https://www.kemkes.go.id/article/view/19020100003/hari-kanker-sedunia-2019.html
Larose, D. T. (2007). Data Mining Methods and Model. New Jersey: John Willey & Sons, Inc.
Nugraha, F. S., Shidiq, M. J., & Rahayu, S. (2019). ANALISIS ALGORITMA KLASIFIKASI NEURAL NETWORK UNTUK DIAGNOSIS PENYAKIT KANKER PAYUDARA. Jurnal Pilar Nusa Mandiri.
Patricio, M., Pereira, J., Crisostomo, J., Matafome, P., Gomes, M., Seica, R., & Caramelo, F. (2018). Using Resistin, glucose, age and BMI to predict the presence of Breast Cancer. BMC Cancer, 18-29.
Prasetio, R. T., & Riana, D. (2015). A Comparison of Classification Methods in Vertebral Column Disorder with the Application of Genetic Algorithm and Bagging. 2015 4th International Conference on Instrumentation, Communications, Information Technology, and Biomedical Engineering (ICICI-BME). Bandung.
Purwaningsih, E. (2018). Application of the Support Vector Machine and Neural Network Model Based on Particle Swarm Optimization for Breast Cancer Prediction. SinkrOn, 1064–1069.
Rahayu, N. S., & Sandi, V. A. (2018). SISTEM PAKAR DIAGNOSA ERROR SISTEM PADA “PT. DANACO GLOBAL SOLUSI-OXY SYSTEM" MENGGUNAKAN METODE CERTAINTY FACTOR BERBASIS WEB. Sintech Journal, 61-69.
Wu, X., Kumar, V., Ross, Q. J., Ghosh, J., & Yang, Q. (2008). Top 10 algorithms in data mining. Knowledge and Information.