Optimasi Performa Model SVM dan Random Forest untuk Klasifikasi Kanker Payudara Menggunakan Penyetelan Hyperparameter

Abstract

Kanker payudara merupakan salah satu penyakit dengan tingkat morbiditas dan mortalitas yang tinggi, sehingga deteksi dini dan diagnosis yang akurat menjadi faktor kunci dalam meningkatkan keberhasilan terapi. Perkembangan machine learning memberikan peluang besar dalam mendukung proses klasifikasi kanker payudara berbasis data medis. Penelitian ini bertujuan untuk mengevaluasi dan mengoptimalkan kinerja algoritma Support Vector Machine (SVM) dan Random Forest dalam klasifikasi kanker payudara melalui penerapan Hyperparameter tuning. Dataset yang digunakan adalah Breast Cancer Wisconsin (Diagnostic), yang terdiri dari 569 sampel hasil pemeriksaan Fine Needle Aspirate (FNA) dengan 30 fitur numerik serta dua kelas target, yaitu benign dan malignant. Metodologi penelitian meliputi tahap pra-pemrosesan data, pembagian data menggunakan stratified train–test split, pelatihan model baseline, optimasi Hyperparameter menggunakan GridSearchCV dengan 5-fold cross-validation, serta evaluasi performa model menggunakan metrik accuracy, precision, recall, F1-score, confusion matrix, dan ROC–AUC. Hasil eksperimen menunjukkan bahwa kedua model mampu mencapai performa klasifikasi yang tinggi dengan tingkat akurasi sekitar 97% pada data uji. Hyperparameter tuning memberikan peningkatan performa yang lebih konsisten pada model SVM, khususnya pada recall kelas malignant dan nilai AUC, sedangkan Random Forest menunjukkan performa yang relatif stabil sebelum dan sesudah optimasi. Temuan ini menegaskan bahwa Hyperparameter tuning berperan penting dalam validasi dan stabilitas model, meskipun tidak selalu menghasilkan peningkatan performa numerik yang signifikan pada dataset benchmark.