Analisis Perbandingan Performa Algoritma XGBoost dan LightGBM pada Klasifikasi Kanker Payudara

Abstrak

Kanker payudara adalah salah satu dari jenis kanker yang paling sering terjadi dan menyerang kalangan wanita di seluruh dunia. Dilihat dari kasus kematiannya, kanker payudara menempati posisi kedua kematian yang ditimbulkan akibat kanker. Metode Fine needle aspiration merupakan salah satu cara untuk mendeteksi kanker payudara secara dini, tetapi terdapat beberapa kekurangan seperti sampel yang terbatas sehingga mempengaruhi hasil akurasi diagnosis atau ketergantungan pada keahlian dan pengalaman yang melakukan metode tersebut. Machine learning dinilai dapat membantu mengatasi permasalahan di bidang kesehatan diantaranya dapat mendiagnosis seseorang terkena kanker atau tidak dengan menggunakan algoritma XGBoost dan LightGBM. XGBoost dan LightGBM merupakan algoritma yang efisien dalam melakukan pembelajaran dan memiliki perbedaan pada strategi pembelajan yaitu level-wise dan leaf-wise.  penelitian ini akan melakukan perbandingan performa akurasi, sensitivitas dan spesifisitas dari dua algoritma yaitu XBoost dan LightGBM untuk melihat algoritma mana yang dapat melakukan klasifikasi lebih baik. Dari hasil Percobaan diperoleh hasil XGBoost memiliki performa yang lebih bagus dengan memperoleh hasil rata-rata akurasi sebesar 97,03%, rata-rata sensitivitas 97,40% dan rata-rata spesifisitas 96,81% sedangkan LightGBM memperoleh rata-rata akurasi sebesar 95,59%, rata-rata sensitivitas 94,70% dan rata-rata spesifisitas 96,10%.