PREDIKSI PERTUMBUHAN TUMOR KANKER PAYUDARA MENGGUNAKAN MODEL REGRESI LINEAR BERBASIS MACHINE LEARNING

Abstract

Abstrak: Kanker payudara adalah masalah serius dunia dan penyebab utama kematian pada perempuan. Meskipun sudah banyak usaha untuk mendeteksi dan mengobati kanker payudara lebih awal, kita perlu terus mencari cara baru yang lebih canggih untuk memahami dan mengatasi penyakit ini. Pentingnya menggunakan metode yang lebih maju dalam menganalisis dan mengobati kanker payudara karena penyakit ini sangat kompleks dan bervariasi. Oleh karena itu, tujuan penelitian ini adalah untuk mendapatkan hasil pengobatan yang lebih baik dan meningkatkan kesempatan hidup bagi penderita dan membandingkan 7 model yang dimasukkan dalam analisis regresi untuk mengetahui metode mana yang menghasilkan nilai lebih akurat. Penelitian ini melakukan 7 model regresi agar diperoleh hasil akurasi yang lebih baik lagi.(1) Linear Regression, (2) Support Vector Regression Linear, (3) Support Vector Regression RBF, (4) Decision Tree Regression, (5) Random Forest Regressor, (6) Gradient Boosting Regression, (7) NLP Regressor. Untuk hasil pengujiannya menggunakan 4 model yaitu Mean Absolute Error, Mean Squared Error, Root Mean Square Error, dan R2-Score. Dan hasil prediksi yang akurat berdasarkan hasil pengujian pada penelitian ini adalah metode Decision Tree Regression.

Abstract: Breast cancer is a serious problem worldwide and the main cause of death in women. Although there have been many efforts to detect and treat breast cancer earlier, we need to continue to look for new, more sophisticated ways to understand and treat this disease. It is important to use more advanced methods in analyzing and treating breast cancer because this disease is very complex and varied. Therefore, the aim of this research is to obtain better treatment results and increase the chances of survival for sufferers and compare the 7 models included in the regression analysis to find out which method produces more accurate values. This research carried out 7 regression models to obtain even better accuracy results. (1) Linear Regression, (2) Support Vector Linear Regression, (3) Support Vector Regression RBF, (4) Decision Tree Regression, (5) Random Forest Regressor , (6) Gradient Boosting Regression, (7) NLP Regressor. For test results, 4 models are used, namely Mean Absolute Error, Mean Squared Error, Root Mean Square Error, and R2-Score. And the accurate prediction results based on the test results in this research are the Decision Tree Regression method.