Implementasi Tpot Automated Machine Learning dan Particle Swarm Optimization pada HistGradientBoostingClassifier untuk Klasifikasi Breast Cancer Wisconsin
DOI:
https://doi.org/10.52436/1.jpti.1798Kata Kunci:
Breast Cancer, HistGradientBoostingClassifier, Machine Learning, Particle Swarm Optimization, TPOTAbstrak
Kanker payudara merupakan salah satu penyakit dengan tingkat kematian yang tinggi sehingga membutuhkan metode diagnosis yang cepat dan akurat. Namun, pemilihan model machine learning yang tepat serta penentuan hyperparameter yang optimal masih menjadi tantangan dalam proses klasifikasi data medis. Selain itu, proses pemilihan model secara manual cenderung memakan waktu dan tidak selalu menghasilkan performa terbaik. Penelitian ini bertujuan untuk menentukan model klasifikasi terbaik menggunakan TPOT (Automated Machine Learning), mengimplementasikan model HistGradientBoostingClassifier secara manual, mengoptimasi performa model menggunakan Particle Swarm Optimization (PSO), serta menganalisis perbandingan performa antara model baseline, model hasil TPOT, dan model hasil optimasi PSO pada dataset Breast Cancer Wisconsin (Diagnostic). Metode yang digunakan meliputi tahapan data understanding, exploratory data analysis (EDA), preprocessing data, pemodelan menggunakan TPOT, pembangunan model baseline, serta optimasi hyperparameter menggunakan PSO. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa TPOT berhasil menentukan HistGradientBoostingClassifier sebagai model terbaik. Model baseline menghasilkan akurasi sebesar 95,61%, sedangkan optimasi menggunakan PSO mampu meningkatkan akurasi menjadi 97,00% dan meningkatkan recall pada kelas Malignant dari 0,93 menjadi 0,99. Perbandingan ketiga model menunjukkan bahwa integrasi TPOT dan PSO memberikan hasil yang lebih efektif dan efisien dibandingkan pendekatan manual, terutama dalam meningkatkan sensitivitas deteksi kasus kanker ganas. Dengan demikian, penelitian ini membuktikan bahwa penggunaan Automated Machine Learning yang dikombinasikan dengan metode optimasi mampu meningkatkan performa klasifikasi pada data medis, khususnya dalam deteksi kanker payudara.
Unduhan
Referensi
E. Marfianti, “Peningkatan pengetahuan kanker payudara dan ketrampilan periksa payudara sendiri (SADARI) untuk deteksi dini kanker payudara di Semutan Jatimulyo Dlingo,” Jurnal Abdimas Madani dan Lestari (JAMALI), pp. 25–31, 2021.
A. E. E. Rashed, A. M. Elmorsy, and A. E. M. Atwa, "Comparative evaluation of automated machine learning techniques for breast cancer diagnosis," Biomed. Signal Process. Control, vol. 86, p. 105016, 2023, doi: 10.1016/j.bspc.2023.105016.
R. D. Destianti, M. D. Gultom, and G. Noviamanti, “Model klasifikasi tingkat keparahan tumor tulang menggunakan algoritma decision tree berbasis fitur klinis,” Journal of Computer Science and Artificial Intelligence (JCSAI), vol. 2, no. 3, 2025.
UCI Machine Learning Repository, “Breast Cancer Wisconsin (Diagnostic) Dataset,” University of California, Irvine, 1995. [Online]. Available: https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+%28Diagnostic%29
U. K. J. Dn and M. Rahardi, “Analysis of SMOTE and random search on machine learning algorithms for stroke disease diagnosis,” Journal of Applied Informatics and Computing, vol. 10, no. 1, pp. 847–855, 2026.
C. Jain, S. S. Srinet, T. K. Goyal, and M. Karpagam, "AI4BCancer: Breast cancer classification using AutoML - TPOT with PCA," in Proc. 2024 2nd DMIHER Int. Conf. Artif. Intell., 2024, pp. 136–141.
D. A. Murtiningsih, B. W. Sari, and I. N. Fajri, “Comparison of Light Gradient Boosting Machine, eXtreme Gradient Boosting, and CatBoost with balancing and hyperparameter tuning for hypertension risk prediction on clinical dataset,” Journal of Applied Informatics and Computing, vol. 9, no. 5, pp. 2753–2763, 2025.
W. Nugraha and A. Sasongko, “Hyperparameter tuning on classification algorithm with grid search,” Sistemasi: Jurnal Sistem Informasi, vol. 11, no. 2, pp. 391–401, 2022.
H. S. Salem, M. A. Mead, and G. S. El-Taweel, "Particle swarm optimization-based hyperparameters tuning of machine learning models for big COVID-19 data analysis," J. Comput. Commun., vol. 12, no. 3, pp. 160–183, 2024.
R. M. Ahmad, N. AlDhaheri, M. S. Mohamad, and B. R. Ali, "Leveraging AutoML to optimize dataset selection for improved breast cancer variants pathogenicity prediction," Comput. Struct. Biotechnol. J., 2025, doi: 10.1016/j.csbj.2025.10.052.
N. N. Murthy and K. Thippeswamy, "TPOT with SVM hybrid machine learning model for lung cancer classification using CT image," Biomed. Signal Process. Control, vol. 104, p. 107465, 2025, doi: 10.1016/j.bspc.2024.107465.
M. S. Hashim and A. A. Yassin, "Using Pearson correlation and mutual information (PC-MI) to select features for accurate breast cancer diagnosis based on a soft voting classifier," Iraqi J. Electr. Electron. Eng., vol. 19, no. 2, pp. 43–53, 2023.
M. Alfidyah, “Optimasi algoritma machine learning untuk prediksi kinerja sistem komputer,” Jurnal Komputer dan Teknik Informatika, vol. 1, no. 1, pp. 1–7, 2025.
R. S. Olson and J. H. Moore, “TPOT: A tree-based pipeline optimization tool for automating machine learning,” in Proc. Workshop on Automatic Machine Learning, 2016, pp. 66–74.
scikit-learn developers, "HistGradientBoostingClassifier — scikit-learn documentation," 2026. [Online]. Available: https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.HistGradientBoostingClassifier.html
N. A. Febriyanti, R. Goejantoro, and S. Prangga, “Optimasi fuzzy C-means menggunakan particle swarm optimization untuk pengelompokan kabupaten/kota di Pulau Kalimantan,” Eksponensial, vol. 14, no. 1, pp. 31–40, 2023.
I. Cholissodin and E. Riyandani, Swarm intelligence. Malang: Fakultas Ilmu Komputer Universitas Brawijaya, 2016.
T. S. Feri, “Analisis akurasi algoritma K-Nearest Neighbor berbasis Particle Swarm Optimization pada studi kasus diagnosa penyakit jantung,” Doctoral dissertation, Universitas Lampung, 2025.
N. Aini, “Penyelesaian sistem persamaan fully fuzzy nonlinear dengan menggunakan particle swarm optimization dan metode steepest descent,” Universitas Lampung, 2025.
S. Sathyanarayanan and B. R. Tantri, “Confusion matrix-based performance evaluation metrics,” African Journal of Biomedical Research, vol. 27, no. 4S, pp. 4023–4031, 2024.
N. P. Sari, “Analisis performa algoritma CNN dalam klasifikasi citra medis berbasis deep learning,” Jurnal Komputer, vol. 2, no. 2, pp. 87–92, 2024.
