Implementasi Generalized Learning Vector Quantization (GLVQ) dan Particle Swarm Optimization (PSO) Untuk Klasifikasi Kanker Payudara

Kematian terbesar akibat kanker setiap tahun disebabkan oleh kanker payudara (KP). Salah satu penyebab tingginya angka kejadian KP adalah deteksi dini yang terhambat. Machine learning telah banyak dimanfaatkan untuk deteksi dini secara otomatis serta mengklasifikasikan jenis kanker. Metode klasifikasi yang dapat digunakan untuk mengklasifikasikan KP ke dalam KP jinak atau ganas adalah GLVQ. Kepekaan inisialisasi vektor bobot awal secara acak pada GLVQ berpengaruh pada hasil tingkat akurasi. Optimasi vektor bobot awal pada GLVQ dapat menggunakan metode optimasi seperti PSO. Data Breast Cancer Wisconsin Diagnostic Data Set digunakan dengan beberapa tahapan pengolahan data, yaitu penanganan pencilan dengan metode Winsorizing, normalisasi z-score, dan reduksi dimensi dengan PCA. Hasil optimasi vektor bobot yang ditunjukkan melalui nilai rata-rata fitness yang dihasilkan pada PSO dipengaruhi oleh perubahan parameter ????1, ????2, dan ????. Nilai rata-rata fitness tertinggi sebesar 0,91868 dihasilkan melalui kombinasi parameter ????1 = 2,4, ????2 = 2,1, dan ???? = 0,6. Tingkat akurasi dan tingkat kesalahan hasil klasifikasi kanker payudara yang dihasilkan metode GLVQ dipengaruhi oleh perubahan parameter ???? dan ????????. Kombinasi ???? = 0,1, ???????? = 5, epoch maksimum sebesar 100, dan toleransi kesalahan minimum sebesar 10-6 menghasilkan nilai rata-rata akurasi tertinggi sebesar 0,956044. Performa PSO-GLVQ memberikan nilai akurasi, recall, dan F2-Score yang lebih tinggi dibandingkan GLVQ.