SELEKSI FITUR BERBASIS HYBRID GREY WOLF OPTIMIZATION DAN PARTICLE SWARM OPTIMIZATION PADA DISTANCE BIASED NAÏVE BAYES UNTUK KLASIFIKASI KANKER PAYUDARA

Abstract

Kanker payudara adalah penyebab utama kematian akibat kanker tertinggi kedua di dunia. Pasien Kanker payudara terus mengalami peningkatan dan merupakan masalah kesehatan yang cukup serius di dunia, termasuk juga di Indonesia. Diagnosis dini adalah salah satu pendekatan terbaik untuk mencegah penyakit ini semakin meningkat. Machine learning dapat melakukan penambangan data menggunakan serangkaian fitur. Namun banyaknya fitur pada data akan memperlambat waktu komputasi klasifikasi. Pada penelian ini, akan dilakukan seleksi fitur menggunakan metode Hybrid Grey Wolf Optimization dan Particle Swarm Optimization (GWOPSO) untuk memilih fitur paling informatif dan signifikan untuk digunakan pada klasifikasi. Metode klasifikasi yang digunakan adalah Distance Biased Naïve Bayes (DBNB) yang terdiri dari dua modul yaitu Weighted Naïve Bayes Module (WNBM) dan Distance Reinforcement Module (DRM). Dari penelitian ini, didapatkan performa akurasi tertinggi pada model DBNB tanpa seleksi fitur sebesar 94,90%, BGWO-DBNB sebesar 95,08%, BPSO-DBNB sebesar 95,25%, dan HGWOPSO-DBNB sebesar 96,13%.