Analisis Klasifikasi Risiko Kanker Payudara Menggunakan Algoritma Random Forest

Dewi, Demara Hediana (2025) Analisis Klasifikasi Risiko Kanker Payudara Menggunakan Algoritma Random Forest. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032231098-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (1MB) | Request a copy

Abstract

Kanker payudara masih menjadi tantangan kesehatan yang signifikan di Indonesia, dengan 66,271 kasus baru dilaporkan oleh WHO pada tahun 2024. Menurut data dari RSUD. Dr. Soetomo Surabaya, pada bulan Januari sampai dengan Juni 2024, telah dilakukan skrining kanker payudara terhadap sekitar 1,950 pasien. Klasifikasi stadium kanker menjadi krusial untuk penentuan pengobatan yang sesuai sehingga proses penyembuhan bisa lebih cepat. Namun demikian, proses tersebut memerlukan proses yang panjang dan lama karena membutuhkan proses dalam pemeriksaan klinis. Ditambah lagi, jumlah pasien kanker payudara di Indonesia terbilang tinggi, sehingga proses penanganan sering tidak bisa cepat. RSUD Dr. Soetomo memiliki potensi yang sangat baik untuk memanfaatkan data yang tersedia untuk menganalisis faktor risiko kanker payudara menggunakan algoritma machine learning sehingga dapat memberikan rekomendasi penanganan yang lebih cepat. Akan tetapi data yang tersedia tidak terlalu lengkap, padahal jika data tersebut lengkap dapat mempercepat proses analisis menggunakan algoritma. Penerapan algoritma random forest mampu melakukan klasifikasi faktor risiko dengan cepat dan akurat karena tidak menggunakan analisis manual yang membutuhkan waktu. Dengan menggunakan random forest tingkat ketepatan klasifikasi mencapai 97.01% algoritma ini dapat diandalkan untuk dapat memberikan gambaran terkait dengan faktor risiko yang paling signifikan. Sehingga penerapan algoritma ini dapat digunakan untuk mengidentifikasi pasien dengan risiko tinggi secara lebih awal, sehingga mereka dapat diprioritaskan untuk mendapatkan penanganan segera. Dalam penelitian ini faktor yang mempengaruhi seseorang mengidap kanker payudara adalah BMI, aktivitas fisik, usia, usia menstruasi pertama, dan perokok pasif. Temuan penelitian ini akan meningkatkan kesadaran akan pentingnya pencegahan kanker payudara bagi rumah sakit dan masyarakat umum agar menyadari faktor risiko yang berhubungan dengan kanker payudara.
================================================================================================================================
Breast cancer remains a significant health challenge in Indonesia, with 66,271 new cases reported by WHO in 2024. According to data from RSUD. Dr. Soetomo Surabaya, from January to June 2024, breast cancer screening was carried out on around 1,950 patients. Classification of cancer stages is crucial for determining appropriate treatment so the healing process can be faster. However, this process requires a lengthy process because it requires a process in clinical examination. In addition, the number of breast cancer patients in Indonesia is relatively high, so the handling process is often not fast. RSUD Dr. Soetomo has excellent potential to utilize available data to analyze breast cancer risk factors using machine learning algorithms to provide faster treatment recommendations. However, the available data is not complete, even if it is complete, it can speed up the analysis process using the algorithm. Applying the random forest algorithm can classify risk factors quickly and accurately because it does not use manual analysis, which takes time. With random forest implementation, the classification accuracy rate reaches 97.01%, this algorithm can be relied on to provide an overview of the most significant risk factors. Thus, this algorithm can identify high-risk patients earlier so they can be prioritized for immediate treatment. In this study, the factors that influence someone to have breast cancer are BMI, physical activity, age, age of first menstruation, and passive smoking. The findings of this study will raise awareness of the importance of breast cancer prevention for hospitals and the general public to be aware of the risk factors associated with breast cancer.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Kanker Payudara, Machine Learning, Random Forest, Breast Cancer, Machine Learning, Random Forest
Subjects:	Q Science > Q Science (General)
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Demara Hediana Dewi
Date Deposited:	31 Jan 2025 01:58
Last Modified:	31 Jan 2025 01:58
URI:	http://repository.its.ac.id/id/eprint/117368

Actions (login required)

View Item