Domain proyek yang dipilih dalam proyek machine learning ini adalah mengenai kesehatan dengan judul proyek "Prediksi Penyakit Kanker Payudara pada Manusia/Wanita".

• Latar belakang Kanker payudara merupakan salah satu penyakit yang dapat menyebabkan kematian. Kanker payudara adalah pertumbuhan sel abnormal yang berasal dari kelenjar susu pada payudara. Kanker payudara terjadi karena sel membelah lebih cepat yang di mana sel-sel berasal dari duktus lactiferi yang lama tidak mati dan sel-sel baru yang berasal dari sel duktus lactiferi terus tumbuh dan berinvasi sehingga sel tersebut berkembang tidak terkendali dan sel normal mati [1]. International Agency for Research on Cancer (IARC) 2018 menyatakan terjadi peningkatan penderita kanker setiap tahunnya. Mulai dari tahun 2008 terdapat 12,7 juta kasus kanker di dunia dan terus menerus mengalami peningkatan hingga tahun 2018 menjadi 18,1 juta kasus kanker 2018 menyatakan terjadi peningkatan penderita kanker setiap tahunnya [2]. Mulai dari tahun 2008 terdapat 12,7 juta kasus kanker di dunia dan terus menerus mengalami peningkatan hingga tahun 2018 menjadi 18,1 juta kasus kanker.)]. Kematian yang disebabkan oleh kanker juga mengalami peningkatan dari 7,6 juta pada tahun 2008 menjadi 9,6 juta pada tahun 2018. IARC menyatakan bahwa terjadi peningkatan kasus kanker payudara yang menyerang wanita dengan tingkat kematian sebesar 627.000 di seluruh dunia. Berdasarkan data dari Riset Kesehatan Dasar (RISKESDAS) tahun 2018 jumlah kejadian kanker payudara yang menyerang wanita adalah sebesar 42,1 per 100.000 penduduk dengan rata-rata kematian 17 per 100.000 penduduk dan data pada tahun 2012 sebesar 12,1 per 100.000 penduduk dengan jumlah kematian secara keseluruhan adalah 522.000 [3]. Dari data tersebut menunjukkan setiap tahunnya terjadi peningkatan kejadian kanker payudara di Indonesia. Oleh sebab itu, diperlukan kesadaran bagi setiap orang, karena masalah ini merupakan masalah yang serius yang dialami oleh seorang wanita/ibu menyusui. Oleh karena itu maka dibuatlah sebuah model machine learning untuk memprediksi apakah seseorang yang mederita penyakit kanker payudara di diagnosis kanker ganas atau jinak. Dengan adanya model machine learning ini diharapkan dapat memudahkan pekerjaan dokter dalam mengindetifikasi penyakit kanker ganas lebih awal.

berdasarkan latar belakang diatas, berikut ini rumusan masalah yang dapat diselesaikan pada proyek ini:

• Bagaimana cara melakukan pra-pemrosesan pada data penyakit kanker payudara yang akan digunakan untuk membuat model yang baik?
• Bagaimana cara membuat model untuk memprediksi penyakit kanker payudara ganas atau jinak pada manusia dengan menggunakan machine learning?
• Bagaimana cara memilih/membuat algoritma yang mampu menghasilkan nilai akurasi diatas 90%

• Melakukan pra-pemrosesan dengan baik agar dapat digunakan dalam pembuatan model.
• Mengetahui cara membuat model machine learning untuk memprediksi penyakit kanker payudara ganas dan jinak pada wanita.
• Membuat model machine learning dengan nilai akurasi yang mencapai 90%.

Solusi yang dapat dilakukan untuk memenuhi tujuan dari proyek ini diantaranya :

• Untuk pra-pemrosesan data dapat dilakukan beberapa teknik, diantaranya :

  • Melakukan drop kolom pada kolom ID.
  • Mengatasi masalah data yang kosong dengan melakukan pengecekan terlebih dahulu lalu menggantinya dengan nilai rata-rata atau nilai median (kebetulan pada project ini tidak ditemukan data yg kosong).
  • Melakukan Encoding terhadap kolom yang bertipe object.
  • Melakukan pembagian dataset menjadi dua bagian dengan rasio 80% untuk data latih dan 20% untuk data uji.
  • Melakukan Standard Scaler.

• Untuk pembuatan model dipilih penggunaan model dengan algoritma Random Forest dan K-Nearest Neighbor. Algoritma tersebut dipilih karena mudah digunakan dan juga cocok untuk kasus ini. Berikut cara kerja, kelebihan dan kekurangan algoritma Random Forest dan K-Nearest Neighbor:

  • Cara kerja Algoritma Random Forest [4]:
    • Diawali dengan pemilihan k pada sampel dataset yang diambil secara acak dengan pengembalian
    • Gunakan dataset untuk membangun decision tree ke-i
    • Ulangi langkah kedua langkah diatas sebanyak k.
  • Kelebihan dan kekurangan Algoritma Random Forest [5]:
    • Kelebihannya yaitu dapat mengatasi noise dan missing value serta dapat mengatasi data dalam jumlah yang besar.
    • Kekurangan pada algoritma Random Forest yaitu interpretasi yang sulit dan membutuhkan tuning model yang tepat untuk data.
  • Cara kerja Algoritma K-Nearest Neighbor [6]:
    • Menentukan jumlah tetangga terdekat K
    • Menghitung jarak dokumen testing ke dokumen training
    • Urutkan data berdasarkan data yang mempunyai jarak Euclidean terkecil
    • Tentukan kelompok testing berdasarkan label pada K.
  • Kelebihan dan kekurangan Algoritma K-Nearest Neighbor [7]:
    • KNN memiliki beberapa kelebihan yaitu bahwa algoritmanya tangguh terhadap training data yang noisy dan efektif apabila data latihnya besar.
    • Kekurangan pada algoritma KKN yaitu perlu menentukan nilai dari parameter K (jumlah dari tetangga terdekat), Pembelajaran berdasarkan jarak tidak jelas mengenai jenis jarak apa yang harus digunakan dan atribut mana yang harus digunakan untuk mendapatkan hasil yang terbaik dan Biaya komputasi cukup tinggi karena diperlukan perhitungan dari jarak tiap sample uji pada keseluruhan sample latih.

Data pada project ini menggunakan data yang bersumber pada sebuah situs kaggle, dimana fokus pada data tersebut menjelaskan faktor-faktor yang akan mempengaruhi sebuah penyakit kanker payudara bersifat ganas dan jinak. Informasi dataset dapat dilihat pada tabel dibawah ini :

Pada berkas yang diunduh yakni cancer-breast.csv berisi 569 rows × 32 columns. Kolom-kolom tersebut terdiri dari 1 buah kolom bertipe objek dan 31 buah kolom bertipe numerik (tipe data float64). Untuk penjelasan mengenai variabel-variable pada dataset cancer breast ini dapat dilihat sebagai berikut:

• id merupakan parameter bernilai unique. Parameter ini tidak penting untuk dimasukkan kedalam model, oleh karena itu parameter ini di drop.
• diagnosis merupakan fitur target pada dataset ini, bertipe object yang terdiri dari (M,B). Dimana data tersebut menjelaskan diagnosis kanker bersifat Ganas (M) atau Jinak (B)
• radius_mean merupakan fitur yg merepresentasikan nilai rata-rata jarak dari pusat ke titik pada keliling sekitar payudara/benjolan
• texture_mean merupakan fitur yg merepresentasikan standar deviasi nilai skala abu-abu atau rata-rata Tekstur Permukaan
• perimeter_mean merupakan rata-rata keliling
• area_mean merupakan fitur yg merepresentasikan Rata-rata Luas Lobes
• smoothness_mean merupakan fitur yg merepresentasikan Rata-rata Tingkat Kehalusan
• compactness_mean merupakan fitur yg merepresentasikan Rata-rata Kekompakan atau keliling² / luas — 1.0
• concavity_mean merupakan fitur yg merepresentasikan rata-rata kecekungan atau keparahan bagian cekung dari contour
• concave points_mean merupakan fitur yg merepresentasikan rata-rata titik cekung atau jumlah bagian cekung dari contour
• symmetry_mean merupakan fitur yg merepresentasikan rata-rata Simetri
• fractal_dimension_mean merupakan fitur yg merepresentasikan rata-rata dimensi fraktal atau "coastline approximation — 1"
• radius_se merupakan fitur yg merepresentasikan radius standard error
• texture_se merupakan fitur yg merepresentasikan texture standard error
• perimeter_se merupakan fitur yg merepresentasikan perimeter standard error
• area_se merupakan fitur yg merepresentasikan luas standar error
• smoothness_se merupakan fitur yg merepresentasikan smoothness standard error
• compactness_se merupakan fitur yg merepresentasikan compactness standard error
• concavity_se merupakan fitur yg merepresentasikan concavity standard error
• concave points_se merupakan fitur yg merepresentasikan titik cekung standard error
• symmetry_se merupakan fitur yg merepresentasikan symmetry standard error
• fractal_dimension_se merupakan fitur yg merepresentasikan fractal dimension standard error
• radius_worst merupakan fitur yg merepresentasikan radius terendah
• texture_worst merupakan fitur yg merepresentasikan texture terendah
• perimeter_worst merupakan fitur yg merepresentasikan perimeter terendah
• area_worst merupakan fitur yg merepresentasikan area terendah
• smoothness_worst merupakan fitur yg merepresentasikan tingkat kehalusan terendah
• compactness_worst merupakan fitur yg merepresentasikan compactness terendah
• concavity_worst merupakan fitur yg merepresentasikan kecekungan terendah
• concave points_worst merupakan fitur yg merepresentasikan titik cekung terendah
• symmetry_worst merupakan fitur yg merepresentasikan symmetry terendah
• fractal_dimension_worst merupakan fitur yg merepresentasikan fractional dimensi terendah

Berikut beberapa tahapan sebelum visualisasi data pada data preparation sebagai berikut:

• Meload Dataset ke dalam sebuah Dataframe menggunakan pandas
• df.info() digunakan untuk mengecek tipe kolom pada dataset
• df.isna().sum() digunakan untuk mengecek apakah ada kolom yg kosong, pada dataset ini nilai kosong tidak ditemukan
• df.describe() digunakan utk mendapatkan info mengenai dataset terhadap nilai rata-rata, median, banyaknya data, nilai Q1 hingga Q3 dan lain-lain.

Berikut beberapa tahapan visualisasi data pada data preparation:

• Pertama membagi dataset kedalam 2 bentuk variable, yaitu variable untuk kolom tipe numerik dan variable kolom untuk tipe object
• Kemudian melakukan visualisasi distribusi categorial, dimana ini digunakan untuk menghitung jumlah sample Kanker Ganas/positif (M) dan kanker Jinak/negatif (B). pada project ini terdapat 357 jumlah data sampel kanker jinak (B) dan 212 data sample kanker ganas (M)
• lalu melakukan visualisasi distribusi numerik, yg dapat dilihat lebih rinci sebagai berikut:
• Selanjutnya visualisasi dilakukan untuk mengetahui korelasi antar fitur yg terdapat pada dataset, untuk selengkapnya sebagai berikut:

Berikut adalah tahapan-tahapan dalam melakukan pra-pemrosesan data:

• Melakukan pengecekan terhadap kolom diagnosis (fitur target) yang bertipe object. dimana kategori B merupakan sample Kanker Jinak dan M merupakan sample Kanker Ganas. fitur ini mengindintikasikan bahwa dari sample terdapat kategori kanker yang bersifat jinak dan kanker yang bersifat ganas. inilah fitur target yg ingin coba di prediksi pada project ini.
• Melakukan mapping terhadap kolom diagnosis dari type object ke numerik agar bisa dibaca mesin. Dimana kanker jinak diubah ke nilai 0 dan kanker ganas diubah ke nilai 1
• Melakukan perhitungan jumlah baris terhadap kolom target
• Melakukan pembagian dataset menjadi dengan 80% untuk data latih dan 20% untuk data uji Setelah melakukan pra-pemrosesan ke dataset, Data latih adalah data yang hanya digunakan untuk melatih model, sedangkan data uji adalah data yang hanya digunakan sebagai ujicoba model. Pembagian dataset ini menggunakan modul train_test_split dari scikit-learn.
• Melakukan standardisasi data pada semua fitur data. Tahap terakhir yaitu melakukan standarisasi data. Hal ini dilakukan untuk membuat semua fitur berada dalam skala data yang sama yaitu dengan range 0-1. Strandadisasi data ini menggunakan fungsi StandardScaler yang perhitungannya seperti dibawah ini:

Setelah dilakukan pra-pemrosesan pada dataset, langkah selanjutnya adalah modeling terhadap data. Pada tahap ini menggunakan 2 algoritma yaitu Random Forest dan K-Nearest Neighbor dengan tanpa parameter tambahan. Pertama-tama kedua model ini dilatih menggunakan data latih. Setelah itu kedua model akan diuji dengan data uji. Terakhir kedua model akan diukur nilai akurasinya. Perbandingan Hasil dari kedua model sebagai berikut: Pada model dengan algoritma Random Forest memiliki nilai akurasi, f1-score, recall dan precision sedikit lebih tinggi dibanding dengan algoritma K-Nearest Neighbor. Untuk membuktikannya, kedua model tersebut diuji pada data uji dan di visualisasikan pada confussion matrix seperti berikut.

• Confussion Matrix algoritma Random Forest: pada algoritma diatas menjelaskan bahwa bagian atas kiri merepresentasikan TN (True negatif) yaitu data negatif yg diprediksi benar, dan bagian bawah kanan merupakan data positif yg di prediksi benar, selain itu merupakan data false negatif (atas kanan) dan false positif (bawah kiri), dimana hasil itu merupakan data negatif namun diprediksi positif maupun sebaliknya.
• Confussion Matrix algoritma K-Nearest Neighbor: pada penjelasan algoritma K-NN tidak jauh berbeda dengan algoritma random forest dimana bagian atas kiri merepresentasikan TN (True Negatif) yaitu data negatif yg diprediksi benar, dan bagian bawah kanan merupakan data positif yg di prediksi benar, selain itu merupakan data false negatif (atas kanan) dan false positif (bawah kiri), dimana hasil itu merupakan data negatif namun diprediksi positif maupun sebaliknya.

Dengan hasil diatas dimana algoritma random forest menghasilkan nilai akurasi yg sedikit lebih tinggi, maka model dengan algoritma Random Forest merupakan model yang dipilih untuk digunakan pada project ini.

Pada proyek ini, model yang dikembangkan adalah kasus klasifikasi dan menggunakan metriks akurasi, f1-score, recall dan precision. Berikut hasil pengukuran model yang dipilih yaitu model yang menggunakan algoritma Random Forest metriks akurasi, f1-score, recall dan precision.

• Akurasi Akurasi merupakan metrik untuk menghitung persentase dari total data yang diidentifikasi dan dinilai benar. Rumus akurasi sebagai berikut:
  • True Positive (TP): Kasus dimana model merupakan data positif yang diprediksi benar. Contohnya, pasien menderita kanker (class 1) dan dari model yang dibuat memprediksi pasien tersebut menderita kanker (class 1).
  • True Negative (TN): Kasus dimana model merupakan data negatif yang diprediksi benar. Contohnya, pasien tidak menderita kanker (class 2) dan dari model yang dibuat memprediksi pasien tersebut tidak menderita kanker (class 2).
  • False Positive (FP) - Type I Error : Kasus dimana model merupakan data negatif namun diprediksi sebagai data positif. Contohnya, pasien tidak menderita kanker (class 2) tetapi dari model yang telah memprediksi pasien tersebut menderita kanker (class 1).
  • False Negative (FN) - Type II Error : Kasus dimana model merupakan data negatif namun diprediksi sebagai data positif. Contohnya, pasien tidak menderita kanker (class 2) tetapi dari model yang telah memprediksi pasien tersebut menderita kanker (class 1).
• Precision Precision merupakan metrik untuk memprediksi benar positif dari keseluruhan hasil yang diprediksi positf. Rumus precision sebagai berikut:
• Recall Recall merupakan metrik untuk memprediksi benar positif dibandingkan dengan keseluruhan data yang benar positif. Rumus precision sebagai berikut:
• f1-score f1-score merupakan metrik untuk perbandingan rata-rata precision dan recall yang dibobotkan. Rumus f1-score sebagai berikut:

[1,2] Situmeang, J. P. (2020). Hubungan Tingkat Pengetahuan Mengenai Kanker Payudara dengan Upaya Pencegahan dengan Pemeriksaan Payudara Sendiri pada Wanita Usia Subur di Puskesmas Rantau Laban Kota Tebing Tinggi. http://repository.uhn.ac.id/handle/123456789/4689 [3] Firdaus Agustiyaningsih, Anida and rohendi, Yosep and Tursini, Yati and Diah, Sansri (2020) GAMBARAN KUALITAS HIDUP PASIEN KANKER PAYUDARA. Diploma thesis, POLTEKKES KEMENKES BANDUNG. http://repo.poltekkesbandung.ac.id/1505/ [4] Haristu, R. A., & Rosa, P. H. P. (2019). Penerapan Metode Random Forest Untuk Prediksi Win Ratio Pemain Player Unknown Battleground. MEANS (Media Informasi Analisa dan Sistem), 120-128. https://repository.usd.ac.id/35513/ [5] Maziida, S. R. (2018). KLASIFIKASI PENYAKIT DIABETES MELLITUS DENGAN MENGGUNAKAN PERBANDINGAN ALGORITMA J48 DAN RANDOM FOREST (STUDI KASUS: RUMAH SAKIT MUHAMMADIYAH LAMONGAN) (Doctoral dissertation, University of Muhammadiyah Malang). https://eprints.umm.ac.id/39299/ [6] Sani, R. R., Zeniarja, J., & Luthfiarta, A. (2016). Penerapan algoritma K-Nearest Neighbor pada information retrieval dalam penentuan topik referensi tugas akhir. Journal of Applied Intelligent System, 1(2), 123-133. https://publikasi.dinus.ac.id/index.php/jais/article/view/1189/ [7] Penyelenggara PS. Teknik Informa ka, Jurusan Ilmu Komputer FMIPA - Universitas Udayana Kampus Bukit Jimbaran. PROSIDING ISSN : X SEMINAR NASIONAL TEKNOLOGI INFORMASI & APLIKASINYA 2015 INOVASI TEKNOLOGI INFORMASI DAN KOMUNIKASI DALAM MENUNJANG TECHNOPRENEURSHIP. Universitas Udayana (2015). https://simdos.unud.ac.id/uploads/file_penelitian_1_dir/721bdb509a6f0bb9ccca6d7374b86759.pdf ---Ini adalah bagian akhir laporan---