KLASIFIKASI KANKER PAYUDARA MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE

Kanker payudara merupakan salah satu penyakit dengan tingkat prevalensi dan mortalitas tinggi di seluruh dunia. Deteksi dini melalui klasifikasi data medis menjadi Langkah penting dalam meningkatkan akurasi diagnosis. Penelitian ini bertujuan untuk menganalisis dan membandingkan efektivitas dua metode reduksi dimensi, yaitu Principal Component Analysis (PCA) dan Independent Component Analysis (ICA), dalam meningkatkan performa algoritma Support Vector Machine (SVM) untuk klasifikasi kanker payudara. Dataset yang digunakan berasal dari Breast Cancer Dataset di Kaggle, yang berisi 569 data pasien dengan 30 atribut fitur. Tahapan penelitian meliputi preprocessing data, reduksi dimensi menjadi 10 komponen, serta klasifikasi menggunakan SVM dengan kernel Radial Basis Function (RBF). Evaluasi kinerja model pada satu skenario pembagian data menunjukkan bahwa kombinasi ICA + SVM menghasilkan akurasi puncak sebesar 97,08%,sedangkan PCA + SVM memperoleh 96,49%. Namun, untuk memastikan stabilitas model, dilakukan pengujian lanjut menggunakan 10-fold Cross-Validation. Hasil rata-rata akurasi pada pengujian crossvalidation menunjukkan nilai 96,14% untuk PCA + SVM dan 95,08% untuk ICA + SVM. Berdasarkan uji statistik Paired T-Test, diperoleh nilai p-value sebesar 0,1107, yang mengindikasikan bahwa secara statistik tidak terdapat perbedaan performa yang signifikan antara kedua metode tersebut.
Dapat disimpulkan bahwa metode ICA dan PCA sama-sama efektif dan stabil dalam mereduksi dimensi data medis kanker payudara dengan tingkat akurasi di atas 95%. Penggunaan ICA dalam sistem pendukung keputusan tetap diusulkan karena kemampuannya dalam mengekstraksi fitur independen statistik yang memberikan nilai presisi tinggi pada data uji, sehingga potensial dalam meminimalisir kesalahan diagnosis pada sistem medis berbasis kecerdasan buatan