OPTIMASI PARAMETER SUPPORT VECTOR MACHINE (SVM) UNTUK PREDIKSI RISIKO KANKER PAYUDARA MENGGUNAKAN BREAST CANCER COIMBRA DATASET

Abstract

Kanker payudara merupakan jenis kanker dengan angka kejadian tertinggi di dunia, dengan 2,3 juta kasus baru dan 685.000 kematian pada tahun 2020. Deteksi dini menjadi kunci utama dalam meningkatkan harapan hidup pasien, namun ketergantungan pada metode konvensional yang bersifat subjektif masih menyisakan celah kesalahan diagnosis yang signifikan. Penelitian ini bertujuan mengoptimalkan kinerja algoritma Support Vector Machine (SVM) untuk prediksi risiko kanker payudara menggunakan Breast Cancer Coimbra Dataset melalui hyperparameter tuning sistematis. Metode yang diterapkan adalah Grid Search Cross Validation untuk mengeksplorasi 108 kombinasi hyperparameter secara menyeluruh, dikombinasikan dengan K-Fold Cross Validation untuk memastikan stabilitas dan generalisasi model. Hasil optimasi menunjukkan bahwa konfigurasi terbaik diperoleh pada kernel RBF dengan C = 10 dan gamma = scale. Model yang telah dioptimasi mencapai akurasi 83,33%, precision 81,82%, recall 81,82%, dan F1-score 81,82%, meningkat dibandingkan model sebelum tuning yang hanya memperoleh akurasi 75,00%. Validasi 10-Fold Cross Validation mengonfirmasi stabilitas model dengan akurasi rata-rata 73,33% tanpa indikasi overfitting