PERFORMANCE EVALUATION OF ADABOOST AND XGBOOST ALGORITHMS FOR BREAST CANCER CLASSIFICATION USING THE WISCONSIN BREAST CANCER DATASET

ARDILA , MANDA PUTRI (2026) PERFORMANCE EVALUATION OF ADABOOST AND XGBOOST ALGORITHMS FOR BREAST CANCER CLASSIFICATION USING THE WISCONSIN BREAST CANCER DATASET. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK.pdf Download (63Kb) | Preview
	File PDF SKRIPSI FULL.pdf Restricted to Hanya staf Download (1675Kb) | Minta salinan
Preview	File PDF SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (1300Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Kanker payudara merupakan salah satu jenis kanker dengan tingkat kejadian yang tinggi pada perempuan di dunia dan menjadi penyebab utama kematian akibat kanker. Deteksi dini sangat penting untuk meningkatkan peluang kesembuhan pasien. Perkembangan metode machine learning memungkinkan pengembangan model klasifikasi yang dapat membantu proses diagnosis kanker payudara secara lebih cepat dan akurat. Penelitian ini bertujuan untuk membandingkan kinerja algoritma AdaBoost dan XGBoost dalam melakukan klasifikasi kanker payudara menggunakan Wisconsin Breast Cancer Dataset (WBCD). Tahapan penelitian meliputi proses preprocessing data, normalisasi, serta penanganan ketidakseimbangan kelas menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Model kemudian dilatih menggunakan algoritma AdaBoost dan XGBoost dengan metode evaluasi 5-Fold Cross Validation. Kinerja model dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model AdaBoost memperoleh accuracy sebesar 96,2%, precision 94,7%, recall 94,4%, dan F1-score 94,5%. Sementara itu, model XGBoost memperoleh accuracy sebesar 96,1%, precision 93,3%, recall 95,5%, dan F1-score 94,3%. Hasil tersebut menunjukkan bahwa kedua algoritma memiliki performa klasifikasi yang sangat baik, dengan AdaBoost unggul pada accuracy, precision, dan F1-score, sedangkan XGBoost memiliki nilai recall yang lebih tinggi dalam mendeteksi kasus kanker payudara. Kata-kata kunci:machine learning, klasifikasi kanker payudara, AdaBoost, XGBoost.

Jenis Karya Akhir:	Skripsi
Subyek:	500 ilmu pengetahuan alam dan matematika
Program Studi:	FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) > Prodi S1 Matematika
Pengguna Deposit:	2605126489 Digilib
Date Deposited:	12 Jun 2026 07:59
Terakhir diubah:	12 Jun 2026 07:59
URI:	http://digilib.unila.ac.id/id/eprint/100345

Actions (login required)

Lihat Karya Akhir