Analisis Pengaruh Pengurangan Fitur Berkorelasi Tinggi serta Recursive Feature Elimination terhadap Klasifikasi Kanker Payudara dengan SVM dan Random Forest

Abstract

Kanker payudara merupakan salah satu jenis kanker dengan tingkat kejadian yang tinggi pada perempuan sehingga diperlukan metode klasifikasi yang akurat untuk mendukung diagnosis dini. Penelitian ini bertujuan menganalisis pengaruh pengurangan fitur berkorelasi tinggi serta penggunaan Recursive Feature Elimination (RFE) terhadap klasifikasi kanker payudara menggunakan algoritma Support Vector Machine (SVM) dan Random Forest. Dataset yang digunakan adalah Wisconsin Breast Cancer Diagnostic Dataset dari UCI Machine Learning Repository. Penelitian dilakukan menggunakan empat skenario, yaitu baseline, RFE 15 fitur, pengurangan fitur menggunakan Variance Inflation Factor (VIF), serta kombinasi VIF dan RFE. Hasil penelitian menunjukkan bahwa kombinasi VIF dan RFE menghasilkan performa terbaik pada model SVM menggunakan 15 fitur terpilih, sedangkan model Random Forest menghasilkan performa terbaik pada skenario RFE tanpa VIF. Secara umum, metode seleksi fitur mampu mengurangi jumlah fitur dari 30 fitur menjadi 15 fitur tanpa menurunkan performa klasifikasi secara signifikan.