Analisis Kinerja Algoritma Support Vector Machine dengan Pendekatan Oversampling pada Prediksi Kanker Payudara

Abstrak

Kanker payudara merupakan salah satu penyebab utama kematian pada perempuan di dunia, dan ketepatan deteksi dini masih menjadi tantangan utama. Ketidakseimbangan jumlah data antara kelas sehat dan positif kanker menurunkan kemampuan model klasifikasi dalam mengenali kasus minoritas. Penelitian ini bertujuan meningkatkan akurasi dan keseimbangan performa model klasifikasi kanker payudara menggunakan algoritma Support Vector Machine (SVM) dengan penerapan teknik oversampling. Data yang digunakan merupakan dataset diagnosis kanker payudara dengan proporsi kelas tidak seimbang. Tahapan penelitian meliputi pra-pemrosesan data, penerapan oversampling pada data pelatihan, pelatihan model SVM, serta evaluasi menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil pengujian menunjukkan bahwa oversampling meningkatkan akurasi model dari 95,91% menjadi 98,83%, recall dari 89,06% menjadi 96,88%, dan F1-score dari 94,21% menjadi 98,41%, sedangkan presisi tetap tinggi pada 100%. Temuan ini menegaskan bahwa kombinasi SVM dan oversampling efektif dalam mengatasi ketidakseimbangan data serta meningkatkan kemampuan generalisasi sistem deteksi kanker payudara berbasis pembelajaran mesin.