JOISIE (Journal Of Information Systems And Informatics Engineerin.
Vol.
No.
Juni 2025.
Hlm 18-26 Received: 30 Desember 2025.
Revised: 9 Januari 2025.
Accepted: 20 Januari 2025
p- ISSN: 2503-5304
e- ISSN: 2527-3116
PENERAPAN METODE CORRELATED NAyaVE BAYES UNTUK KLASIFIKASI
PENYAKIT KANKER PAYUDARA
Hani Setiani.
Novi Tristanti.
Fakultas Informatika dan kesehatan.
Universitas Sragen.
Jl.
Kyai H.
Agus Salim No.
Kebayan 5.
Mojomulyo.
Kec.
Sragen.
Kabupaten Sragen.
Jawa Tengah 57212 email: 1hanistn27@gmail.
com, 2Novitristanti@gmail.
Abstract Breast cancer is one of the main causes of death in the world, where early detection is very important to improve the patient's prognosis.
However, traditional methods that rely on doctors' experience are still prone to diagnostic errors, which can hinder appropriate treatment efforts.
Therefore, this study aims to increase accuracy in breast cancer classification by applying the Correlated Nayve Bayes (CNBC) method.
This method was chosen because of its ability to measure the correlation between attributes and classes, which can produce more precise and accurate classification.
This study uses the Breast Cancer Coimbra dataset which consists of 10 attributes to test the performance of the two The test results show that the Nayve Bayes method produces an accuracy of 88.
57%, while the Correlated Nayve Bayes method succeeds in increasing classification accuracy to 91.
42%, which 85% higher than the Nayve Bayes method.
This research shows that the Correlated Nayve Bayes method can improve the performance of breast cancer classification and make contribution to the development of classification methodology in the medical field.
Keywords: Correlated Nayve Bayes.
Naive Bayes and breast cancer.
Abstract Kanker payudara merupakan salah satu penyebab utama kematian di dunia, di mana deteksi dini sangat penting untuk meningkatkan prognosis pasien.
Namun, metode tradisional yang bergantung pada pengalaman dokter masih rentan terhadap kesalahan diagnosis, yang dapat menghambat upaya penanganan yang tepat.
Oleh karena itu, penelitian ini bertujuan untuk meningkatkan akurasi dalam klasifikasi kanker payudara dengan menerapkan metode Correlated Nayve Bayes (C-NBC).
Metode ini dipilih karena kemampuannya untuk mengukur korelasi antara atribut dan kelas, yang dapat menghasilkan klasifikasi yang lebih tepat dan akurat.
Penelitian ini menggunakan dataset Breast Cancer Coimbra yang terdiri dari 10 atribut untuk menguji kinerja kedua metode tersebut.
Hasil pengujian menunjukkan bahwa metode Nayve Bayes menghasilkan akurasi sebesar 88,57%, sementara metode Correlated Nayve Bayes berhasil meningkatkan akurasi klasifikasi hingga 91,42%, yang lebih tinggi sebesar 2,85% dibandingkan dengan metode Nayve Bayes.
Penelitian ini menunjukkan bahwa metode Correlated Nayve Bayes dapat meningkatkan performa klasifikasi penyakit kanker payudara dan dapat memberikan kontribusi terhadap pengembangan metodologi klasifikasi dalam bidang medis.
Keywords: Correlated Nayve Bayes.
Naive Bayes.
Penyakit Kanker Payudara.
PENDAHULUAN
Kanker payudara atau karsinoma mammae, adalah penyakit yang ditandai dengan pertumbuhan sel-sel yang tidak terkendali pada kelenjar susu .
, saluran menuju puting .
, dan jaringan sekitarnya (Tiana.
and Wahyuni.
, 2.
Berdasarkan laporan Global Cancer Observatory (GLOBOCAN) tahun 2020, dari total 19,29 juta kasus kanker di seluruh dunia, sebanyak https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
19 | Jurnal JOISIE.
Volume 8.
Nomor 2.
Desember 2024 419 kasus merupakan kanker payudara, menjadikannya salah satu jenis kanker yang paling sering dialami oleh perempuan (Mardiana.
and Kurniasari.
, 2.
Kanker payudara juga menyumbang angka kematian yang signifikan, dengan 684.
996 jiwa meninggal akibat penyakit ini, yang menandakan bahwa kanker payudara adalah masalah kesehatan global yang mendesak untuk ditangani (Oktafiani.
et al.
, 2.
Faktor-faktor yang dapat memicu terjadinya kanker payudara meliputi usia, jenis kelamin, ras, riwayat keluarga, faktor genetik, serta kebiasaan pribadi seperti merokok, konsumsi alkohol, dan pola makan yang buruk (Oktavianto.
and Handri.
, 2.
Deteksi dini kanker payudara sangat penting untuk mengurangi risiko kematian pada wanita, mengingat dampak besar yang ditimbulkan (Maryam.
and Ariono.
, 2.
Meskipun diagnosis kanker secara tradisional bergantung pada pengalaman dokter, metode ini masih memiliki keterbatasan dan berisiko menyebabkan kesalahan manusia (Kusumawaty.
et al.
, 2.
Penerapan teknik data mining dapat membantu mengurangi kesalahan dan keterlambatan dalam deteksi kanker, menjadikannya solusi yang efektif (Anggraini.
, 2.
Data mining dapat menciptakan lingkungan yang kaya pengetahuan dan signifikan dalam meningkatkan keputusan klinis.
Proses data mining memungkinkan untuk mengumpulkan pengetahuan atau pola dari data yang ada dalam database untuk menyelesaikan masalah, dan hasilnya dapat digunakan untuk meningkatkan kualitas pengambilan keputusan (Dewi.
et al.
, 2.
Berdasarkan permasalahan di atas terkait klasifikasi penyakit kanker payudara, penelitian ini akan menguji metode Correlated Nayve Bayes (C-NBC).
Metode ini dipilih karena memiliki potensi untuk menghasilkan akurasi yang lebih tinggi dengan menghitung nilai korelasi antar atribut terhadap kelas.
Dengan demikian, ketepatan klasifikasi tidak hanya bergantung pada probabilitas, tetapi juga pada seberapa besar hubungan .
atribut dengan kelas (Muktamar.
et al.
, 2.
Penelitian sebelumnya, seperti yang dilakukan oleh (Anggraini.
, 2.
menguji algoritma Nayve Bayes dengan menggunakan dataset Breast Cancer Coimbra yang didonasikan ke UCI Machine Learning Repository, yang terdiri dari 116 data pasien dengan 9 atribut dan 2 kelas, serta menerapkan permodelan backward elimination untuk mengoptimalkan akurasi dan validasi split validation untuk memvalidasi model, dengan hasil akurasi sebesar 77,14%.
Penelitian lain oleh (Prahartiwi.
Dari.
, 2.
membandingkan performa algoritma Naive Bayes.
Decision Tree, dan Support Vector Machine dalam memprediksi kanker payudara menggunakan dataset sekunder Breast Cancer Coimbra dari UCI Repository, yang terdiri dari 10 atribut dan 116 record.
Hasilnya menunjukkan algoritma Support Vector Machine memiliki akurasi tertinggi sebesar 74,29%, diikuti Naive Bayes 65,71%, dan Decision Tree 60,00%.
Penelitian lain oleh (Fauzi.
et al.
, 2.
menggunakan seleksi fitur PCA dan algoritme Logitboost.
Bagging, serta Random Forest pada dataset Breast Cancer Coimbra.
Hasilnya.
Random Forest mencapai akurasi terbaik 79,31% dengan AUC 0,843.
Penelitian lain oleh (Nurjanah.
et al.
, 2.
bertujuan mengklasifikasi jenis kanker payudara .
inak atau gana.
menggunakan algoritma SVM dan Logistic Regression dengan SMOTE.
Evaluasi dilakukan menggunakan confusion matrix dan K-Fold Cross Validation, dengan deployment model melalui Flask.
Hasil penelitian menunjukkan akurasi, presisi, dan recall model sebesar 1.
0, serta akurasi sistem mencapai 90%.
Keterbaharuan penelitian ini terletak pada implementasi algoritma Correlated Nayve Bayes (CNBC) yang mengukur korelasi antar atribut untuk meningkatkan akurasi klasifikasi kanker payudara.
Penelitian ini memanfaatkan dataset Breast Cancer Coimbra yang spesifik dan relevan, serta menggunakan metode evaluasi berbasis confusion matrix untuk memastikan keandalan dan generalisasi model.
Dibandingkan dengan penelitian sebelumnya, penelitian ini memberikan pendekatan yang lebih akurat dalam menganalisis hubungan atribut dengan kelas, sehingga berkontribusi dalam pengembangan metode klasifikasi berbasis machine learning di bidang medis.
METODE PENELITIAN
Penelitian ini menggunakan Data Flow Diagram (DFD) untuk menggambarkan alur proses Alat ini digunakan dalam metodologi analisis terstruktur guna membantu menyusun penelitian secara sistematis dan terorganisasi dengan baik (Payana, mahendar dwi et al.
, 2.
Alur penelitian ini dimulai dengan identifikasi masalah, tinjauan pustaka, dan pengumpulan data.
https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Setiani.
Penerapan Metode Correlated Nayve Bayes Untuk Klasifikasi Penyakit Kanker Payudara, 18-.
20 Selanjutnya, data disiapkan melalui transformasi dan pengambilan sampel, kemudian dianalisis menggunakan metode Naive Bayes dan Correlated Naive Bayes untuk membangun model prediksi.
Hasil diuji dengan confusion matrix untuk menilai akurasi dan performa model, dan diakhiri dengan kesimpulan serta saran berdasarkan temuan penelitian.
Alur ini dirancang secara sistematis dan efisien.
Alur metode penelitian dapat dilihat pada Gambar 1.
Gambar 1.
Alur Metode Penelitian 1 TAHAP AWAL Pada tahap awal, dilakukan identifikasi masalah dan tinjauan pustaka yang relevan dengan penelitian ini.
Data yang digunakan adalah Breast Cancer Coimbra Dataset, data publik yang diperoleh dari situs University of California Irvine Machine Learning Repository (UCI Repositor.
(Resmiati, and Arifin.
, 2.
Dataset ini diunduh dalam format Comma Separated Values (CSV), terdiri dari 116 rekaman terbagi dalam dua kelas, yaitu Healthy Controls dan Patients, dengan 10 atribut (Rizkyani.
et al.
, 2.
Tabel 1.
Atribut dataset Breast Cancer Coimbra
Atribut
Age
BMI
Glucose Insulin
HOMA
Leptin
Adiponectin
Resistin
MCP-1
Classification Label Year kg/m2 mg/dL AAU/mL ng/mL AAU/mL ng/mL pg/dL Labels https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
21 | Jurnal JOISIE.
Volume 8.
Nomor 2.
Desember 2024
2 PENYAJIAN DATA
Pada tahap ini, dilakukan pre-processing untuk mengolah data mentah menjadi data yang siap digunakan dalam penelitian, sehingga menghasilkan klasifikasi terbaik pada dataset kanker payudara (Setiani.
et al.
, 2.
Pre-processing terdiri atas dua tahap, yaitu transformasi data yang mengonversi data numerik menjadi non-numerik (Adzy.
et al.
, 2.
, dan sampling data yang membagi dataset menjadi subset untuk pelatihan dan pengujian model pembelajaran mesin guna mengukur kinerjanya pada data (Putra.
et al.
, 2.
Contoh transformasi data dapat dilihat pada tabel 2 Tabel 2.
Tabel transformasi data Classification ke tipe Non Numerik Data numerik Data Non Numerik Healthy controls Patients 3 PENGUJIAN DATA METODE NAyaVE BAYES Naive Bayes adalah metode klasifikasi sederhana yang memperkirakan probabilitas suatu data dalam kategori tertentu dan hanya memerlukan sedikit data pelatihan untuk proses klasifikasi (Kinerja.
et al.
, 2.
Metode ini dipilih karena terbukti akurat dan cepat, terutama ketika diterapkan pada basis data besar (Prahartiwi.
and Dari.
, 2.
Teorema ini mengasumsikan bahwa setiap atribut bersifat bebas, yang memungkinkan perhitungan probabilitas menjadi lebih sederhana (Kausar.
et al.
, 2.
Nayve Bayes dapat dihitung menggunakan persamaan .
P(C.
X) = P(X|C.
P(C.
P(X) .
Keterangan:
= kriteria suatu kasus berdasarkan masukan = kelas solusi pola ke-i, dimana I adalah jumlah label kelas P(Ci |X) = probabilitas label kelas Ci berdasarkan kondisi X P(C.
= probabilitas label kelas Ci P(X| C.
= probabilitas kriteria masukan X dengan label kelas Ci METODE CORRELATED NAyaVE BAYES Correlated-Naive Bayes (C-NBC) adalah modifikasi dari Naive Bayes (NBC) yang menambahkan parameter korelasi antar atribut untuk meningkatkan akurasi klasifikasi.
Dengan parameter korelasi.
C-NBC dapat menangkap hubungan kompleks antar atribut, menghasilkan prediksi yang lebih akurat (Yulhendri.
et al.
, 2.
Metode ini dipilih karena efektif meningkatkan keakuratan model prediksi dan klasifikasi dalam penambangan data.
C-NBC mengembangkan Naive Bayes dengan menambahkan korelasi antara fitur X dan kelas Y serta bilangan Laplacian, yang mencegah probabilitas nol (Hairani.
and Innuddin.
, 2.
Correlated Nayve Bayes Classifier dihitung menggunakan persamaan .
yc ycE.
cU) = ycE.
cU) Oaycn=1 ycE.
cUycn .
cU)Ee .
cUycn .
cU) ycE.
cU) .
Keterangan:
= fitur dengan kelas yang belum diketahui.
= hipotesis fitur X merupakan suatu kelas spesifik.
P(X|Y) = probabilitas hipotesis Y berdasarkan dengan kondisi Y.
P(Y)
= probabilitas awal hipotesis Y .
rior probabilit.
Oaycycn=1 ycE.
cUycn .
cU) = probabilitas setiap atribut dari fitur X berdasarkan dengankondisi hipetesis Y.
cUyc.
Y) = r-Square setiap atribut dari fitur X berdasarkan kondisihipotesis Y.
Ee = bilangan laplacian.
https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Setiani.
Penerapan Metode Correlated Nayve Bayes Untuk Klasifikasi Penyakit Kanker Payudara, 18-.
P(X)
= Probabilitas dari X.
Adapun rumus untuk menghitung nilai korelasi pada persamaan .
yc= ycu.
(Oc ycUycU) Oe (Oc ycU).
(Oc ycU) .
Oo.
Oc ycU 2 Oe(Oc ycU)2 )Ooycu.
Oc ycU 2 Oe.
cU)2 4 EVALUASI Confusion Matrix, juga disebut error matrix, adalah teknik untuk mengukur kinerja model klasifikasi dalam data mining (Windy Mardiyyah.
et al.
, 2.
Confusion Matrix biasanya disajikan sebagai tabel yang menunjukkan kinerja model berdasarkan data uji dengan nilai sebenarnya yang telah diketahui (Mustika et al.
, 2.
Confusion Matrix menghitung Accuracy menggunakan persamaan .
ycNycE.
ycNycA yaycoycycycaycycn = ycNycE ycNycA yaycE yaycA Keterangan:
= True Positive = True Negative = False Positive = False Positive 5 TAHAP AKHIR Tahap ini menyimpulkan hasil penelitian dengan menggunakan algoritma Correlated Naive Bayes Classifier (CNBC) dan Naive Bayes Classifier.
Kedua algoritma ini mampu memberikan hasil akurat dalam mengklasifikasikan gagal jantung berdasarkan nilai presisi, recall, dan F-Measure (Subarkah.
et al.
, 2.
HASIL DAN PEMBAHASAN
Penerapan metode Correlated Nayve Bayes Classifier berpotensi meningkatkan akurasi pada dataset penyakit kanker payudara coimbra dari UC Irvine Machine Learning Repository.
Kenaikan akurasi akan dianalisis melalui pengujian yang terdiri dari dua tahap: tahap pertama menggunakan metode Nayve Bayes, dan tahap kedua menggunakan Correlated Nayve Bayes.
Hasil penelitian Evaluasi Nayve Bayes menggunakan Confusion Matrix Script ini menghitung dan menampilkan confusion matrix dalam bentuk heatmap menggunakan Seaborn untuk memudahkan evaluasi performa model dalam mengklasifikasikan data.
Akurasi diperoleh dari perbandingan data uji dengan rasio 70:30 dan dievaluasi menggunakan confusion Skrip Python yang menampilkan confusion matrix dengan metode Nayve Bayes dapat dilihat pada Gambar 2 Gambar 2.
Confusion Matrix Heatmap Nayve Bayes Gambar 2 tersebut adalah confusion matrix heatmap yang menunjukkan hasil prediksi model Di matriks ini, 12 data dengan label asli 1 diprediksi dengan benar sebagai label 1 (True Positiv.
, 4 data dengan label asli 1 salah diprediksi sebagai label 2 (False Positiv.
, 0 data dengan label asli 2 salah diprediksi sebagai label 1 (False Negativ.
, dan 19 data dengan label asli 2 diprediksi dengan benar sebagai label 2 (True Negativ.
diperoleh hasil akurasi dalam klasifikasi penyakit https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
23 | Jurnal JOISIE.
Volume 8.
Nomor 2.
Desember 2024 kanker payudara yang dapat dilihat pada Tabel 3 Tabel 3.
Hasil Confusion Matrix Nayve Bayes precision recall F1- support Healthy controls Patients Macro avg Weighted avg Tabel 3 menunjukkan laporan yang memberikan metrik evaluasi untuk dua kelas: 'Healthy controls' dan 'Patients'.
Metrik yang disajikan meliputi precision, recall, f1-score, dan support untuk masing-masing kelas.
Untuk kelas 'Healthy controls', precision adalah 1,00, recall 0,75, dan f1-score 0,86, dengan 16 sampel.
Sementara untuk kelas 'Patients', precision adalah 0,83, recall 1,00, dan f1score 0,90, dengan 19 sampel.
Evaluasi Correlated Nayve Bayes menggunakan Confusion Matrix Script ini menghitung dan menampilkan confusion matrix dalam bentuk heatmap menggunakan Seaborn untuk memudahkan evaluasi performa model dalam mengklasifikasikan data.
Akurasi diperoleh dari perbandingan data uji dengan rasio 70:30 dan dievaluasi menggunakan confusion Skrip Python yang menampilkan confusion matrix dengan metode Correlated Nayve Bayes dapat dilihat pada Gambar 3.
Gambar 3.
Confusion Matrix Heatmap Correlated Nayve Bayes Gambar 3 tersebut adalah confusion matrix heatmap yang menunjukkan hasil prediksi model Di matriks ini, 15 data dengan label asli 1 diprediksi dengan benar sebagai label 1 (True Positiv.
, 1 data dengan label asli 1 salah diprediksi sebagai label 2 (False Positiv.
, 2 data dengan label asli 2 salah diprediksi sebagai label 1 (False Negativ.
, dan 17 data dengan label asli 2 diprediksi dengan benar sebagai label 2 (True Negativ.
diperoleh hasil akurasi dalam klasifikasi penyakit kanker payudara yang dapat dilihat pada Tabel 4 Tabel 4.
Hasil Confusion Matrix Correlated Nayve Bayes precision recall F1- support Macro avg Weighted avg https://doi.
org/10.
35145/joisie.
JOISIE licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License (CC BY-SA 4.
Setiani.
Penerapan Metode Correlated Nayve Bayes Untuk Klasifikasi Penyakit Kanker Payudara, 18-.
24 Tabel 4 menunjukkan laporan yang memberikan metrik evaluasi untuk dua kelas: '1' dan '2'.
Metrik yang disajikan meliputi precision, recall, f1-score, dan support untuk masing-masing kelas.
Untuk kelas '1', precision adalah 0,88, recall 0,94, dan f1-score 0,91, dengan 16 sampel.
Sementara untuk kelas '2', precision adalah 0,94, recall 0,89, dan f1-score 0,92, dengan 19 sampel.
Pembahasan Berdasarkan hasil penelitian pengujian tahap ini akan mengevaluasi peningkatan akurasi dari pengujian klasifikasi menggunakan metode Naive Bayes dan Correlated Naive Bayes.
Hasil pengujian akan menunjukkan perbandingan akurasi dari kedua metode tersebut, yang kemudian akan divisualisasikan dalam bentuk grafik perbandingan.
Perbandingan hasil pengujian 92,00% 91,00% 90,00% 89,00% 88,00% 87,00% 91,42% 88,57% Accuracy Nayve Bayes 88,57% Correlated Nayve Bayes 91,42% Nayve Bayes Correlated Nayve Bayes Gambar 6.
Grafik perbandingan penelitian Berdasarkan Gambar 6, hasil klasifikasi menunjukkan bahwa metode Nayve Bayes mencapai akurasi 88,57%, sedangkan Correlated Nayve Bayes mencapai 91,42%, dengan peningkatan akurasi 2,85% setelah menghitung korelasi antar atribut.
Peningkatan ini disebabkan oleh menghitung nilai korelasi value attribut terhadap class, sehingga yang menjadi dasar ketepatan klasifikasi tidak hanya probability tetapi juga seberapa besar hubungan .
attribute dengan class.
SIMPULAN
Berdasarkan hasil penelitian, metode Nayve Bayes menghasilkan akurasi sebesar 88,57%, sedangkan metode Correlated Nayve Bayes menunjukkan akurasi yang lebih tinggi, yaitu 91,42%.
Dengan demikian, metode Correlated Nayve Bayes terbukti lebih unggul dalam klasifikasi penyakit kanker payudara, dengan peningkatan akurasi sebesar 2,85% dibandingkan dengan Nayve Bayes.
Saran untuk penelitian selanjutnya adalah membandingkan metode Nayve Bayes dan Correlated Nayve Bayes dengan metode machine learning lainnya serta menerapkan seleksi fitur menggunakan teknik seperti PSO.
Information Gain, dan Genetic Algorithm, serta menguji model pada dataset yang lebih besar untuk mengevaluasi kestabilan dan generalisasi.
Eksperimen dengan algoritma lain seperti SVM
atau Random Forest juga dapat memberikan wawasan tambahan dalam memprediksi penyakit kanker
DAFTAR PUSTAKA