OPTIMASI ALGORITMA RANDOM FOREST MENGGUNAKAN PSO UNTUK KLASIFIKASI KANKER PAYUDARA DENGAN CITRA MAMMOGRAMS

Abstract

Penelitian ini berfokus pada peningkatan klasifikasi kanker payudara melalui kombinasi algoritma Random Forest dan Particle Swarm Optimization (PSO). Kanker payudara menjadi kanker yang paling umum di kalangan wanita di seluruh dunia, sehingga memerlukan metode pemeriksaan diagnostik yang efektif. Metode tradisional seperti pemeriksaan manual dan pencitraan sinar-X memakan waktu dan rentan terhadap kesalahan. Penelitian ini menerapkan teknik pembelajaran mesin, khususnya Random Forest, untuk klasifikasi gambar berdasarkan citra mammograms. Metodologi ini melibatkan pengumpulan data, preprocessing citra (termasuk resize citra, grayscale, dan segmentasi gambar menggunakan Sobel Edge Detection dan Adaptive Thresholding), ekstraksi fitur melalui Local Binary Pattern (LBP), dan klasifikasi melalui Random Forest yang dioptimalkan dengan PSO. PSO membantu dalam mengidentifikasi hiperparameter optimal dan meningkatkan akurasi model Random Forest. Evaluasi model dilakukan menggunakan confusion matrix yang meliputi nilai akurasi, presisi, dan recall. Percobaan pengujian menunjukkan bahwa model Random Forest yang dioptimalkan PSO mencapai akurasi 88, 37%, mengungguli model Random Forest standar yang mencapai 86,05%. Hal ini menunjukkan bahwa PSO meningkatkan akurasi klasifikasi secara signifikan. Penelitian ini berkontribusi pada pengembangan alat diagnostik yang mudah digunakan untuk membantu spesialis dalam mengidentifikasi stadium kanker payudara secara akurat, dan menyarankan penyelidikan masa depan harus menggabungkan algoritma pembelajaran mesin tambahan dan memanfaatkan citra DICOM berstandar lebih tinggi untuk meningkatkan data pelatihan dan pengujian.