Analisa Metode Random Forest Tree dan K-Nearest Neighbor dalam Mendeteksi Kanker Serviks

Abstract

Kanker serviks menyerang sel pada leher rahim penderita. Kanker serviks menduduki peringkat dua sebagai penyebab kanker wanita di seluruh dunia. Dari data WHO (World Health Organization), setiap tahun 500.000 wanita terdiagnosis kanker serviks dan 300.000 diantaranya meninggal dunia. Angka kematian akibat kanker serviks terus meningkat sepanjang tahun. Angka kematian dari penyakit tersebut dapat mencapai 60% dan kebanyakan dari mereka adalah petitborgeois atau lebih rendah karena mereka tidak mampu untuk didiagnosis lebih awal. Hinselmann, Schiller, Citology, dan Biopsy merupakan empat teknik skrining untuk mendiagnosis ada tidaknya sel kanker pada serviks pasien. Dalam penelitian ini dataset riwayat kesehatan pasien akan dianalisis menggunakan algoritma Random Forest Tree dan KNN. Kedua algoritma tersebut akan dibandingkan untuk mencari model yang paling akurat untuk diimplementasikan guna mengetahui pola pada pasien kanker serviks dan memprediksi hasil skrining pasien apakah positif kanker serviks atau negatif. Hasil penelitian ini diolah dengan menggunakan kode pemrograman Python sebanyak 214 data uji dari total 854 data. Akurasi akhir ditunjukkan 88,7% untuk Random Forest dan 90,6% untuk KNN. Set data yang digunakan memiliki empat klasifikasi target yang merupakan klasifikasi multilabel. KNN terbukti lebih maju dalam memprediksi klasifikasi multilabel dalam mendeteksi pola kasus penderita kanker serviks