Analisis Kelangsungan Hidup Pasien Kanker Payudara Menggunakan Metode Naive Bayes

Sabrina, Melva (2026) Analisis Kelangsungan Hidup Pasien Kanker Payudara Menggunakan Metode Naive Bayes. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5002221133-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Prediksi kelangsungan hidup lima tahun merupakan aspek penting dalam menentukan prognosis dan menyusun strategi pengobatan. Meskipun model machine learning yang kompleks mampu menghasilkan akurasi prediksi yang tinggi, sifatnya yang sulit diinterpretasikan masih menjadi kendala dalam penerapannya. Untuk mengatasi permasalahan tersebut, penelitian ini mengembangkan dan memvalidasi suatu kerangka kerja berbasis Gaussian Naive Bayes yang bersifat interpretable untuk memprediksi risiko kelangsungan hidup lima tahun dengan mengintegrasikan data klinis dan genomik multidimensi. Penelitian ini melibatkan 3.879 pasien dari dataset breast msk 2025. Data survival time-to-event ditransformasikan menjadi klasifikasi risiko tiga tingkat yang relevan secara klinis, yaitu risiko rendah, sedang, dan tinggi. Setelah data dibagi menjadi data pelatihan dan pengujian dengan rasio 70:30 serta dilakukan penyeimbangan kelas menggunakan metode SMOTE (k neighbors = 3), model dilatih menggunakan tujuh fitur terpilih. Model menunjukkan kemampuan yang baik dengan nilai weighted AUC sebesar 0,9189. Melalui optimasi menggunakan Youden’s J Statistic, akurasi model meningkat dari 79,04% menjadi 82,73% dengan nilai F1-Score sebesar 82,75%. Selain itu, Fraction Genome Altered dan MSI Score teridentifikasi sebagai prediktor dengan kontribusi paling besar terhadap hasil prediksi. Validasi menggunakan kurva Kaplan–Meier menunjukkan perbedaan kelangsungan hidup yang signifikan antar kelompok risiko (Log-Rank p < 0,001). Median waktu kelangsungan hidup yang diperoleh adalah 74.3, 66.6, dan 52.5 bulan untuk kelompok risiko rendah, sedang, dan tinggi. Hasil tersebut menunjukkan bahwa kerangka kerja yang dikembangkan mampu menjembatani pendekatan statistical machine learning dengan kebutuhan prognosis klinis melalui penyediaan alat bantu pengambilan keputusan yang praktis, transparan secara matematis, serta mampu menghasilkan stratifikasi risiko yang andal untuk mendukung konseling dan penatalaksanaan kanker payudara secara lebih personal.
====================================================================================================================================
Five-year survival prediction is fundamental to breast cancer prognosis and treatment planning. However, while complex machine learning models achieve high accuracy, their black-box nature severely limits direct clinical adoption. To address this challenge, this study develops and validates an intepretable Gaussian Naive Bayes-based framework for predicting five-year survival risk by integrating multi-dimensional clinical and genomic data. We analyzed 3,879 patients from breast msk 2025 cohort, transforming time-to-event survival data into a clinically relevant three tier risk classification (low/medium/high). Following a 70/30 training/test split and SMOTE application (k neighbors = 3) for class balancing, the classifier was trained on seven selected features. The proposed model demonstrated strong dicriminative performance with a weighted AUC of 0.9189. Baseline accuracy improved from 79.04% to 82.73% with F1-Score 82.75% following threshold optimization via Youden’s J Statistic, with Fraction Genome Altered ana MSI Score identified as dominant predictors. Validation via Kaplan-Meier curves confirmed highly significant survival separation among risk groups (Log-Rank p < 0.001), reporting distinct median survival times 74.3, 66.6, 52.5 months for low, medium, and high-risk classes, respectively. In conclusion, this framework successfully bridges statistical machine learning and clinical prognosis, offering a practical, mathematically transparent decision-support tool that provides reliable risk stratification for personalized breast cancer counseling.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	analisis kelangsungan hidup, Naive Bayes, kanker payudara, data klinis, mutasi genetik, censoring survival analysis, Naive Bayes, breast cancer, clinical data, genetic mutations, censoring
Subjects:	Q Science > QA Mathematics Q Science > QA Mathematics > QA279.5 Bayesian statistical decision theory.
Divisions:	Faculty of Mathematics and Science > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Melva Sabrina
Date Deposited:	27 Jul 2026 06:55
Last Modified:	27 Jul 2026 06:55
URI:	http://repository.its.ac.id/id/eprint/137963

Actions (login required)

View Item