Jurnal Informatika & Teknologi Cerdas (JITC) Vol.
No.
Juni 2026
ISSN 3109-7677
Prediksi Prognosis Kanker Payudara Menggunakan Hybrid Artificial Neural Network dan Gaussian Nayve Bayes Jesika Octavia Hutagaol1* .
Margaretha Yohanna2 .
Harlen Gilbert Simanullang3 Program Studi Teknik Informatika.
Fakultas Ilmu Komputer.
Universitas Methodist Indonesia Program Studi Teknik Informatika.
Fakultas Ilmu Komputer.
Universitas Methodist Indonesia Program Studi Teknik Informatika.
Fakultas Ilmu Komputer.
Universitas Methodist Indonesia Email: 1*hutagaoljesika04@gmail.
com, 2yohanna.
na2@gmail.
com, 3harlen.
gilbert@gmail.
Abstrak Ae Kanker payudara menjadi salah satu jenis kanker yang paling banyak menyebabkan kematian pada wanita di Prognosis kanker payudara diperlukan untuk membantu tenaga medis dalam memprediksi kemungkinan kekambuhan penyakit sehingga penanganan dapat dilakukan lebih cepat dan tepat.
Penelitian ini bertujuan menerapkan metode hybrid Artificial Neural Network (ANN) dan Gaussian Nayve Bayes untuk prediksi prognosis kanker payudara menggunakan dataset Breast Cancer Wisconsin Prognostic (WPBC).
Dataset yang digunakan terdiri dari 198 data pasien dengan 35 fitur numerik.
Tahapan penelitian meliputi preprocessing data, normalisasi, pembagian data latih dan data uji menggunakan rasio 80:20, ekstraksi fitur menggunakan ANN, serta klasifikasi menggunakan Gaussian Nayve Bayes.
Berbeda dengan penelitian sebelumnya yang umumnya menggunakan metode tunggal, penelitian ini memanfaatkan ANN sebagai ekstraksi fitur sebelum proses klasifikasi menggunakan Gaussian Nayve Bayes.
ANN digunakan dengan satu hidden layer berisi 16 neuron untuk mempelajari hubungan non-linear antar fitur dan menghasilkan 16 fitur baru hasil dari ekstraksi.
Fitur hasil ekstraksi tersebut kemudian digunakan sebagai input pada proses klasifikasi menggunakan Gaussian Nayve Bayes.
Evaluasi model dilakukan menggunakan confusion matrix berdasarkan metrik accuracy, precision, recall, dan F1-score.
Hasil pengujian menunjukkan bahwa metode hybrid ANN-Gaussian Nayve Bayes memperoleh accuracy sebesar 90%, precision sebesar 72,73%, recall sebesar 88,89%, dan F1-score sebesar 80%.
Hasil tersebut meningkatkan performa klasifikasi prognosis kanker payudara dibandingkan metode tunggal.
Kata kunci: Kanker Payudara.
Prognosis.
Artificial Neural Network.
Gaussian Nayve Bayes.
Hybrid Abstract Ae Breast cancer is one of the types of cancer that causes the most deaths in women in the world.
Breast cancer prognosis is important to assist medical personnel in predicting the possibility of recurrence so that treatment can be provided more This study aims to implement a hybrid Artificial Neural Network (ANN) and Gaussian Nayve Bayes method for breast cancer prognosis prediction using the Breast Cancer Wisconsin Prognostic (WPBC) dataset.
The dataset consisted of 198 patient records with 35 numerical features.
The research stages included data preprocessing, normalization, splitting the dataset into training and testing data using an 80:20 ratio, feature extraction using ANN, and classification using Gaussian Nayve Bayes.
Unlike previous studies that generally used single methods, this study utilizes ANN as a feature extractor before the classification process using Gaussian Nayve Bayes.
ANN was used with one hidden layer containing 16 neurons to learn non-linear relationships among features and generate 16 new extracted These extracted features were then used as input for Gaussian Nayve Bayes classification process.
Model evaluation was conducted using a confusion matrix with accuracy, precision, recall, and F1-score metrics.
The experimental results showed that the hybrid ANN-Gaussian Nayve Bayes method achieved an accuracy of 90%, precision of 72.
73%, recall of 88.
89%, and an F1-score of 80%.
These results indicate that the hybrid method provides better classification performance compared to single methods in breast cancer prognosis prediction.
KeywordsAi Breast Cancer.
Prognosis.
Artificial Neural Network.
Gaussian Nayve Bayes.
Hybrid
PENDAHULUAN
Salah satu penyakit dengan jumlah penderita tertinggi pada wanita di seluruh dunia adalah kanker payudara, yang juga merupakan penyebab utama kematian akibat kanker.
Penyakit ini terjadi akibat pertumbuhan sel abnormal pada jaringan payudara yang berkembang secara tidak terkendali.
Menurut World Health Organization (WHO), kanker payudara menjadi salah satu jenis kanker dengan jumlah kasus baru tertinggi setiap tahunnya.
Tingginya jumlah penderita kanker payudara menyebabkan pentingnya proses prognosis untuk membantu tenaga medis memprediksi kemungkinan recurrence atau non-recurrence setelah pasien menjalani pengobatan .
Perkembangan teknologi machine learning telah banyak diterapkan dalam bidang kesehatan, khususnya untuk membantu proses klasifikasi dan prediksi penyakit .
Berbagai metode machine learning telah digunakan dalam klasifikasi kanker payudara, seperti Decision Tree.
Support Vector Machine.
Artificial Neural Network (ANN), dan Nayve Bayes .
, .
https://journal.
id/index.
php/jitc Artikel ini adalah artikel dengan akses terbuka, dilisensikan di bawah CC BY 4.
Jurnal Informatika & Teknologi Cerdas (JITC) Vol.
No.
Juni 2026 Artificial Neural Network (ANN) merupakan metode berbasis jaringan saraf tiruan yang memiliki kemampuan baik dalam mempelajari pola non-linear pada data .
ANN
bekerja dengan meniru cara kerja jaringan saraf manusia melalui proses pembelajaran bobot pada setiap neuron .
Metode ANN mampu menghasilkan performa klasifikasi yang baik pada berbagai kasus kesehatan karena mampu mengenali pola kompleks pada dataset medis .
Meskipun demikian.
ANN memiliki kelemahan ketika digunakan pada dataset berukuran kecil karena berpotensi mengalami overfitting .
, .
Overfitting menyebabkan model terlalu menyesuaikan data latih sehingga performa model menurun ketika digunakan pada data baru.
Oleh sebab itu, diperlukan kombinasi dengan metode lain untuk meningkatkan stabilitas model klasifikasi.
Gaussian Nayve Bayes merupakan metode klasifikasi probabilitas yang bekerja menggunakan pendekatan Teorema Bayes dengan menganggap setiap atribut bersifat independen .
Metode ini dapat digunakan pada dataset berukuran kecil karena memiliki proses komputasi yang sederhana, cepat, dan efektif .
Meskipun datanya terbatas.
Gaussian Nayve Bayes juga dapat menghasilkan hasil klasifikasi yang stabil .
Beberapa penelitian sebelumnya masih berfokus pada diagnosis kanker payudara menggunakan metode tunggal.
Penelitian oleh Tanti et al.
menggunakan metode Nayve Bayes untuk klasifikasi kanker payudara dan memperoleh hasil yang cukup baik .
Penelitian lain oleh Yordanus dan Senjaya menunjukkan bahwa metode deep learning memberikan performa yang baik pada dataset Wisconsin, namun membutuhkan proses komputasi yang lebih kompleks .
Namun, kedua penelitian tersebut masih menggunakan metode tunggal dan belum menerapkan kombinasi ANN sebagai feature extractor dengan Gaussian Nayve Bayes dalam prediksi prognosis kanker payudara.
ISSN 3109-7677
II.
METODE PENELITIAN
Desain Penelitian Penelitian ini menggunakan jenis penelitian eksperimen dengan pendekatan kuantitatif.
Pendekatan kuantitatif digunakan karena penelitian berfokus pada pengukuran performa model machine learning dalam memprediksi prognosis kanker payudara berdasarkan data numerik.
Metode eksperimen dilakukan dengan melakukan proses pelatihan dan pengujian model hybrid Artificial Neural Network dan Gaussian Nayve Bayes menggunakan dataset Breast Cancer Wisconsin Prognostic (WPBC).
Dataset untuk penelitian ini diperoleh dari Breast Cancer Wisconsin Prognostic (WPBC) yang berisi data prognosis kanker payudara dengan dua kelas yaitu recurrence dan nonrecurrence.
Dataset terdiri dari 198 data pasien dengan beberapa atribut numerik yang merepresentasikan karakteristik sel tumor payudara , seperti ukuran, tumor, radius, tekstur, perimeter, area, smoothness, compactness, concavity, concave points, symmetery, fractal dimension, tumor_size, dan lymph_node_status.
Pada penelitian ini atribut ID tidak digunakan dalam proses pelatihan model karena hanya berfungsi sebagai identitas data, sedangkan atribut outcome digunakan sebagai label kelas prognosis.
Instrumen penelitian yang digunakan berupa perangkat lunak Python dengan beberapa library pendukung machine learning seperti scikit-learn.
NumPy, dan Pandas .
Library tersebut digunakan untuk preprocessing data, pelatihan model ANN, klasifikasi Gaussian Nayve Bayes, serta evaluasi model.
Tahapan penelitian dimulai dari studi literatur, pengumpulan data, preprocessing data, pelatihan model hybrid, hingga evaluasi performa model.
Framework penelitian dapat dilihat pada Gambar 1.
Penelitian ini mengusulkan metode hybrid ANN dan Gaussian Nayve Bayes, di mana ANN digunakan sebagai metode ekstraksi fitur untuk menghasilkan representasi fitur yang lebih optimal sebelum proses klasifikasi dilakukan menggunakan Gaussian Nayve Bayes.
Tujuan penelitian ini adalah menganalisis performa metode hybrid ANN dan Gaussian Nayve Bayes dalam memprediksi prognosis kanker payudara menggunakan dataset WPBC berdasarkan nilai accuracy, precision, recall, dan F1-score.
https://journal.
id/index.
php/jitc Artikel ini adalah artikel dengan akses terbuka, dilisensikan di bawah CC BY 4.
Jurnal Informatika & Teknologi Cerdas (JITC) Vol.
No.
Juni 2026
ISSN 3109-7677
label kelas ditransformasikan ke dalam bentuk numerik, yaitu 0 untuk Non-Recurrence dan 1 untuk Recurrence agar dapat diproses oleh algoritma machine learning.
Selanjutnya dilakukan normalisasi data menggunakan metode MinMaxScaler untuk menyamakan rentang nilai antar fitur sehingga proses pelatihan model menjadi lebih optimal.
Dataset kemudian dibagi menjadi data latih sebesar 80% dan data uji sebesar 20%.
Setelah preprocessing selesai dilakukan.
Artificial Neural Network (ANN) digunakan untuk mempelajari pola hubungan antar fitur pada dataset prognosis kanker payudara.
ANN terdiri dari input layer, satu hidden layer berisi 16 neuron dengan fungsi aktivasi ReLU.
Pada penelitian ini.
ANN tidak digunakan sebagai klasifikasi akhir, melainkan sebagai proses ekstraksi fitur untuk menghasilkan representasi data yang lebih baik sebelum dilakukan Hasil keluaran dari hidden layer kemudian digunakan sebagai input pada Nayve Bayes untuk proses klasifikasi prognosis kanker payudara.
Gaussian Nayve Bayes merupakan metode klasifikasi probabilitas yang menggunakan distribusi Gaussian untuk menghitung probabilitas setiap fitur terhadap kelas tertentu .
Metode ini dipilih karena memiliki proses komputasi dengan baik pada dataset berukuran kecil dan karena dataset yang digunakan didominasi oleh atribut kontinu sehingga lebih sesuai menggunakan distribusi Gaussian.
Namun.
Gaussian Nayve Bayes memiliki kelemahan karena mengasumsikan bahwa setiap fitur tidak bergantung satu sama lain.
Pada dataset medis, khususnya prognosis kanker payudara, beberapa atribut memiliki hubungan atau keterkaitan antar fitur sehingga asumsi independensi tidak Oleh karena itu, pada penelitian ini ANN digunakan untuk mempelajari pola hubungan antar atribut dan menghasilkan representasi fitur yang lebih optimal sebelum dilakukan proses klasifikasi menggunakan Gaussian Nayve Bayes.
Selesai Gambar 1.
Framework Penelitian Prosedur Penelitian Penelitian dimulai dengan proses preprocessing data untuk membersihkan dan mempersiapkan dataset sebelum digunakan dalam pelatihan model machine learning.
Tahap preprocessing meliputi pengecekan missing value, normalisasi data, dan pemisahan atribut dengan label kelas.
Pada dataset ditemukan beberapa missing value pada atribut lymph_node_status yang ditandai dengan simbol Au?Ay.
Missing value tersebut ditangani menggunakan metode imputasi median agar tetap dapat digunakan dalam proses pelatihan model tanpa mengurangi jumlah dataset secara Label kelas pada dataset terdiri dari dua kategori yaitu N (Non-Recurrenc.
dan R (Recurrenc.
Pada penelitian ini Evaluasi performa model dilakukan menggunakan confusion matrix untuk memperoleh nilai accuracy, precision, recall, dan F1-score.
Accuracy digunakan untuk mengukur tingkat ketepatan klasifikasi secara keseluruhan, precision digunakan untuk mengukur ketepatan prediksi positif, recall digunakan untuk mengukur kemampuan model untuk menemukan kelas positif, sedangkan F1-score digunakan untuk menyeimbangkan nilai precision dan recall.
Hasil analisis tersebut digunakan untuk mengetahui kemampuan model hybrid ANN dan Gaussian Nayve Bayes dalam memprediksi prognosis kanker payudara secara akurat.
HASIL DAN DISKUSI
Hasil penelitian diperoleh melalui proses pelatihan dan pengujian model hybrid Artificial Neural Network (ANN) dan Gaussian Nayve Bayes menggunakan dataset Breast Cancer Wisconsin Prognostic (WPBC).
Tahapan penelitian meliputi preprocessing data, ekstraksi fitur menggunakan ANN, proses klasifikasi menggunakan Gaussian Nayve Bayes, serta evaluasi performa model menggunakan confusion matrix.
https://journal.
id/index.
php/jitc Artikel ini adalah artikel dengan akses terbuka, dilisensikan di bawah CC BY 4.
Jurnal Informatika & Teknologi Cerdas (JITC) Vol.
No.
Juni 2026
ISSN 3109-7677
Hasil preprocessing menunjukkan bahwa seluruh data berhasil dipersiapkan untuk proses pelatihan model.
Dataset terdiri dari 198 data pasien dengan 33 atribut numerik yang telah dinormalisasikan ke rentang 0 sampai 1 sehingga data memiliki skala yang seragam.
Data hasil preprocessing tersebut kemudian digunakan sebagai input pada proses ekstraksi fitur menggunakan ANN.
Hasil preprocessing data dapat dilihat pada Tabel 1.
6,1975
6,7072
6,5077
5,0884
5,1054
4,7174
6,9139
7,5168
6,3324
4,2840
5,4390
5,2366
5,7202
6,6955
5,8062
4,6595
6,0358
6,3119
TABEL 1.
Hasil Pra-pemrosesan Data
X33
0,2419
0,6467
0,1852
0,4839
0,6455
0,0741
0,9274
0,7753
0,0000
0,9839
0,3932
0,0000
0,2097
0,7339
0,0000
0,5565
0,0207
0,1481
0,2016
0,0077
0,0741
0,7742
0,7055
0,0000
0,3145
0,0280
0,0370
0,7258
0,5330
0,0000
0,0403
0,0188
0,0000
Berdasarkan Tabel 2.
ANN berhasil menghasilkan representasi fitur baru dari data asli melalui proses pembelajaran pada hidden layer.
Fitur-fitur tersebut digunakan sebagai input pada Gaussian Nayve Bayes sehingga proses klasifikasi dapat dilakukan menggunakan representasi data yang diharapkan lebih optimal dibandingkan menggunakan data asli secara langsung.
Setelah proses ekstraksi fitur selesai dilakukan.
Gaussian Nayve Bayes digunakan untuk melakukan klasifikasi prognosis kanker payudara berdasarkan fitur hasil ekstraksi ANN.
Contoh hasil klasifikasi Gaussian Nayve Bayes terhadap data uji dapat dilihat pada Tabel 3.
TABEL 3.
Hasil Klasifikasi Gaussian Nayve Bayes Artificial Neural Network digunakan untuk mempelajari pola hubungan antar atribut pada dataset prognosis kanker Pada penelitian ini.
ANN digunakan sebagai proses ekstraksi fitur sebelum dilakukan klasifikasi menggunakan Gaussian Nayve Bayes.
Penggunaan ANN pada tahap ekstraksi fitur bertujuan untuk menghasilkan representasi data yang lebih optimal sehingga dapat membantu meningkatkan performa klasifikasi.
Hasil ekstraksi fitur dari hidden layer ANN menghasilkan 16 fitur baru yang merepresentasikan pola hubungan nonlinear antar atribut pada dataset prognosis kanker payudara.
Fitur h1 hingga h16 merupakan hasil keluaran dari hidden layer pada proses ekstraksi fitur menggunakan ANN.
Fiturfitur hasil ekstraksi tersebut kemudian digunakan sebagai input pada Gaussian Nayve Bayes untuk proses klasifikasi.
Contoh hasil ekstraksi fitur ANN dapat dilihat pada Tabel 2.
TABEL 2.
Hasil Ekstraksi Fitur ANN
6,1817
7,0391
6,8659
5,5567
5,3165
5,8130
6,9028
6,7886
8,1575
4,9642
4,9198
5,8549
5,0671
5,7334
5,5280
Data Uji Prediksi Hasil klasifikasi menunjukkan bahwa sebagian besar data uji berhasil diprediksi dengan benar oleh model hybrid ANN dan Gaussian Nayve Bayes.
Penggunaan fitur hasil ekstraksi ANN membantu Gaussian Nayve Bayes dalam mengenali pola data prognosis kanker payudara dengan lebih baik.
Hasil https://journal.
id/index.
php/jitc Artikel ini adalah artikel dengan akses terbuka, dilisensikan di bawah CC BY 4.
Jurnal Informatika & Teknologi Cerdas (JITC) Vol.
No.
Juni 2026 pengujian model hybrid ANN dan Gaussian Nayve Bayes berdasarkan confusion matrix dapat dilihat pada Gambar 2.
ISSN 3109-7677
Hasil perbandingan performa model dapat dilihat pada Tabel TABEL 4.
Perbandingan Performa Model Gambar 2.
Confusion Matrix ANN dan Gaussian Nayve Bayes Berdasarkan confusion matrix pada Gambar 2, model hybrid ANN dan Gaussian Nayve Bayes berhasil mengklasifikasikan sebagian besar data secara akurat.
Sebanyak 28 data kelas non-recurrence berhasil diprediksi dengan benar (True Negativ.
, sedangkan 8 data kelas recurrence berhasil juga diklasifikasikan dengan benar (True Positiv.
Selain itu, terdapat 3 data False posotive dan 1 data False Negative.
Kesalahan klasifikasi tersebut menunjukkan bahwa beberapa data masih memiliki pola atribut yang mirip antar kelas sehingga model mengalami kesulitan dalam membedakan karakteristik tertentu pada data prognosis kanker payudara.
Meskipun demikian, jumlah prediksi benar yang lebih dominan menunjukkan bahwa model hybrid mampu mempelajari pola prognosis kanker payudara dengan cukup baik.
Adapun hasil dari evaluasi model dapat dilihat pada Gambar 3.
Model
Accuracy Precision Recall F1-Score
ANN
22,22%
28,57%
Gaussian Nayve Bayes 47,50% 22,73% 55,56% 32,26% Hybrid ANNGaussian Nayve Bayes 72,73% 88,89% Berdasarkan Tabel 4, metode hybrid ANN dan Gaussian Nayve Bayes memperoleh performa terbaik dibandingkan metode tunggal.
ANN sebagai metode tunggal memperoleh accuracy sebesar 75%, sedangkan Gaussian Nayve Bayes memperoleh accuracy sebesar 47,50%.
Rendahnya performa Gaussian Nayve Bayes dipengaruhi oleh asumsi independensi antar atribut yang kurang sesuai pada dataset medis.
Pada dataset prognosis kanker payudara, beberapa atribut memiliki hubungan antar fitur sehingga asumsi independensi tidak sepenuhnya terpenuhi.
Sementara itu.
ANN sebagai metode tunggal mampu mempelajari pola data dengan lebih baik, namun masih memiliki keterbatasan dalam proses klasifikasi pada dataset berukuran kecil.
Penggabungan ANN dan Gaussian Nayve Bayes mampu menghasilkan representasi fitur yang lebih baik sebelum proses klasifikasi dilakukan.
Representasi fitur tersebut membantu Gaussian Nayve Bayes dalam mengurangi pengaruh asumsi independensi antar atribut sehingga proses klasifikasi menjadi lebih optimal.
Hasil penelitian ini menunjukkan bahwa kombinasi metode machine learning dapat menjadi pendekatan yang efektif dalam klasifikasi prognosis kanker payudara.
IV.
Gambar 3.
Evaluasi Model Berdasarkan hasil evaluasi pada Gambar 3, model hybrid ANN dan Gaussian Nayve Bayes memperoleh nilai accuracy sebesar 90%, precision sebesar 72,73%, recall sebesar 88,89%, dan F1-score sebesar 80%.
Nilai-nilai ini menunjukkan bahwa model memiliki kemampuan untuk melakukan klasifikasi prognosis kanker payudara dengan performa yang cukup baik.
Selain melakukan pengujian terhadap model hybrid, penelitian ini juga melakukan pengujian terhadap metode tunggal untuk mengetahui perbandingan performa model.
KESIMPULAN
Penelitian ini berhasil menerapkan metode hybrid Artificial Neural Network (ANN) dan Gaussian Nayve Bayes untuk prediksi prognosis kanker payudara menggunakan dataset Breast Cancer Wisconsin Prognostic (WPBC).
ANN
digunakan sebagai proses ekstraksi fitur sebelum dilakukan klasifikasi menggunakan Gaussian Nayve Bayes.
Pendekatan hybrid yang digunakan mampu meningkatkan performa klasifikasi dibandingkan metode tunggal.
Berdasarkan hasil pengujian, model hybrid ANN dan Gaussian Nayve Bayes memperoleh nilai accuracy sebesar 90%, precision sebesar 72,73%, recall sebesar 88,89%, dan F1-score sebesar 80%.
Hasil tersebut menunjukkan bahwa pendekatan hybrid ANN dan Gaussian Nayve Bayes mampu menghasilkan performa klasifikasi yang lebih baik dibandingkan penggunaan metode tunggal.
https://journal.
id/index.
php/jitc Artikel ini adalah artikel dengan akses terbuka, dilisensikan di bawah CC BY 4.
Jurnal Informatika & Teknologi Cerdas (JITC) Vol.
No.
Juni 2026 Penelitian ini masih memiliki beberapa keterbatasan, di antaranya jumlah dataset yang relatif kecil dan hanya menggunakan satu arsitektur ANN dengan satu hidden layer dan belum membandingkan performa dengan metode deep learning lainnya.
Penelitian selanjutnya dapat menggunakan dataset dengan jumlah data yang lebih besar serta membandingkan performa metode hybrid dengan algoritma machine learning lainnya untuk memperoleh hasil klasifikasi yang lebih optimal, juga dapat memanfaatkan metode Explainable Artificial Intelligence (XAI) untuk mengetahui fitur yang memiliki pengaruh terbesar terhadap hasil prediksi prognosis kanker payudara.
REFERENSI