Evaluasi Efektifitas Kernel RBF, Polinomial, dan Laplacian pada SVM untuk Klasifikasi Kanker Payudara

Abstract

Kanker payudara merupakan salah satu penyebab utama kematian di kalangan wanita di seluruh dunia. Deteksi dini dan diagnosis yang akurat sangat penting untuk meningkatkan prognosis pasien. Dalam penelitian ini akan diterapkan algoritma Support Vector Machine (SVM) untuk mengklasifikasikan kanker payudara menggunakan dataset Wisconsin Diagnostic Breast Cancer. Selanjutnya mengevaluasi kinerja SVM dengan berbagai kernel, termasuk RBF (Radial Basis Function), polinomial, dan Laplacian, serta menganalisis pengaruh parameter kernel terhadap akurasi klasifikasi. Dataset terdiri dari 569 sampel dengan dua kelas: benign dan malignant. Kami menggunakan metrik evaluasi seperti akurasi, presisi, recall, F1-score, dan sensitivitas untuk menilai model. Hasil eksperimen menunjukkan bahwa kernel RBF memberikan akurasi tertinggi sebesar 97.35% dengan parameter sigma optimal pada 0.1 dan ukuran data training 80%. Selain itu, matriks konfusi untuk setiap kernel dihasilkan untuk memberikan wawasan lebih dalam tentang performa model. Penelitian ini menunjukkan bahwa SVM dengan kernel yang tepat dapat menjadi alat yang efektif dalam diagnosis kanker payudara, memberikan kontribusi signifikan terhadap pengembangan sistem pendukung keputusan medis. Kata Kunci  : SVM, Kernel parameter, RBF, Polynomial, Laplacisan, Kanker Payudara