KLASIFIKASI MULTI-LABEL MENGGUNAKAN METODE MULTI-LABEL K-NEAREST NEIGHBOR (ML-KNN) PADA PENYAKIT KANKER SERVIKS

Erisa Rizkyani
Iin Ernawati
Nurul Chamidah


DOI: https://doi.org/10.29100/jipi.v7i4.3260

Abstract


Berdasarkan data statistik GLOBOCAN 2020, kanker serviks menempati urutan ke-8 penyakit kanker yang banyak diderita perempuan di seluruh dunia dengan jumlah kasus sebanyak 604.127 kasus dengan angka kematian mencapai 341.831 jiwa. Sedangkan di Indonesia tercatat penderita penyakit kanker serviks berada di urutan ke-2 dengan jumlah kasus sebanyak 36.633 kasus dengan angka kematian mencapai 21.003 jiwa. Multi-Label K-Nearest Neighbor (ML-KNN) merupakan salah satu adaptive algorithm yang dapat digunakan untuk menyelesaikan kasus klasifikasi multi-label. Pada penelitain ini menggunakan dataset yang diperoleh dari website UCI Machine Learning. Pada dataset tersebut akan dilakukan pra-proses data dengan menghapus missing value, mengecek duplicate data, mengecek tipe data, dan melakukan resample data berupa oversampling pada label Biopsy karena data kelas 1 dan 0 yang tidak seimbang. Selanjutnya data dibagi menjadi data latih dan data uji dengan perbandingan 80:20. Pada data latih, dicari kedekatannya dengan nilai k yang sudah ditentukan yaitu K=1, K=3, K=5, K=7, dan K=9. Diperoleh hasil evaluasi performa terbaik yaitu saat nilai K=5 yang memperoleh nilai hamming loss sebesar 3,59%, akurasi sebesar 93%, precision weighted sebesar 93%, recall weighted sebesar 96%, dan f1-score weighted sebesar 94%.

Keywords


Classification; Cervical Cancer; Multi-Label K-Nearest Neighbor (ML-KNN)

Full Text:

PDF

Article Metrics :

References


Praningki, T., & Budi, I. (2018). Sistem Prediksi Penyakit Kanker Serviks Menggunakan CART, Naive Bayes, dan k-NN. Creative Information Technology Journal, 4(2), 83. https://doi.org/10.24076/citec.2017v4i2.100.

Global Cancer Observatory. (2020). Global Cancer Observatory Indonesia. Diakses tanggal 4 Oktober 2021. Site: https://gco.iarc.fr/today/data/factsheets/populations/360-indonesia-fact-sheets.pdf.

Purwoastuti&Walyani. (2015). Ilmu Obstetri & Ginekologi Sosial untuk Kebidanan. Yogyakarta:Pustaka Baru Press.

Dharma, A., Manalu, P., Sinaga, G. S., Siringoringo, R., Palangai, I. S., & Setiawan, K. (2020). Deteksi Pola Pasien Kanker Serviks dengan Algoritma Extra Trees dan K-Nearest Neighbor. Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI), 3(1), 32-36.

Dan Zhu, Hui Zhu, Ximeng Liu, Hui Li, Fengwei Wang, Hao Li, Dengguo Feng, CREDO: Efficient and privacy-preserving multi-level medical pre-diagnosis based on ML-kNN, Information Sciences, Volume 514, 2020, Pages 244-262, ISSN 0020-0255, https://doi.org/10.1016/j.ins.2019.11.041.

Li, S., & Ou, J. (2021). Multi-Label Classification of Research Papers Using Multi-Label K-Nearest Neighbour Algorithm. Journal of Physics: Conference Series, 1994(1). https://doi.org/10.1088/1742-6596/1994/1/012031.

UCI Machine Learning. (2017). Site: https://archive.ics.uci.edu/ml/datasets/Cervical+cancer+%28Risk+Factors%29.

Aminah, Siti Hawa. (2018). Prediksi Diagnosa Kanker Serviks Berdasarkan Informasi Demografi, Kebiasaan, dan Rekam Medis Menggunakan Algoritma Support Vector Machine. Institut Teknologi Sepuluh Nopember, Departemen Sistem Informasi, Fakultas Teknologi Informasi dan Komunikasi. Surabaya: Departemen Sistem Informasi.

Yu, C., Wu, H., Liu, H. (2020). Smart Device Recognition: Ubiquitous Electric Internet of Things. Germany: Springer Singapore.

Ceylan, Z., & Pekel, E. (2017). BAT algorithm for Cryptanalysis of Feistel cryptosystems. International Journal of Intelligent Systems and Applications in Engineering, 3(2), 82. https://doi.org/10.18201/ijisae.82426.

Kumar, Ajitesh. (2020, September 4). Vitalflux. Diakses pada 2 Juni 2022. Site: https://vitalflux.com/micro-average-macro-average-scoring-metrics-multi-class-classification-python/.

Tarekegn, A. N., Giacobini, M., & Michalak, K. (2021). A review of methods for imbalanced multi-label classification. Pattern Recognition, 118, 107965. https://doi.org/10.1016/j.patcog.2021.107965.).

Brownlee, Jason. Master Machine Learning Algorithms: Discover How They Work and Implement Them From Scratch. (2016). United States: Machine Learning Mastery.