Optimasi Metode Support Vector Machine Menggunakan Seleksi Fitur Recursive Feature Elimination dan Forward Selection Untuk Klasifikasi Kankaer Payudara

Kanker, penyebab utama kematian global yang diakibatkan oleh proliferasi sel abnormal yang menyebar di luar batas jaringan normal. Kanker payudara merupakan salah satu jenis kanker yang paling banyak ditemui, dengan sekitar 2,26 juta kasus dilaporkan pada tahun 2020. Penelitian ini bertujuan untuk mengembangkan algoritma Support Vector Machine (SVM) yang lebih efektif untuk klasifikasi kanker payudara melalui teknik seleksi fitur yang efisien. Penelitian sebelumnya telah menggunakan berbagai algoritma seperti K-Nearest Neighbor dan Logistic Regression untuk identifikasi kanker payudara. Penelitian ini berfokus pada peningkatan akurasi dengan menggunakan metode pemilihan fitur alternatif seperti Recursive Feature Elimination (RFE) dan Forward Selection. Dataset yang digunakan terdiri dari 569 instance dengan 32 fitur yang bersumber dari UCI Machine Learning Repository, dan diklasifikasikan ke dalam kategori jinak dan ganas. Metode pre-processing data, termasuk pembersihan data, pengkodean, dan pemilihan fitur, diterapkan pada dataset. Teknik RFE dan Forward Selection digunakan untuk mengidentifikasi fitur paling penting untuk pelatihan model. Evaluasi model SVM yang ditingkatkan menunjukkan akurasi pelatihan hampir 100% dan akurasi Cross Validation sebesar 97%, menunjukkan efektivitas pendekatan yang diusulkan dalam konteks kanker payudara. Selain itu, Learning Curve dan pengujian menunjukkan kestabilan model SVM tanpa tanda-tanda overfitting atau underfitting. Dengan demikian, penelitian ini mengembangkan algoritma SVM dengan metode pemilihan fitur yang menghasilkan hasil akurasi yang lebih baik dalam klasifikasi kanker payudara.
Kata Kunci: Breast Cancer; RFE; Forward Selection; SVM