Komparasi Perceptron dan Regresi Logistik pada Klasifikasi Data Breast Cancer Wisconsin

Abstract

Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap dua model klasifikasi dasar dalam machine learning, yaitu Perceptron klasik dan Regresi Logistik, pada tugas klasifikasi data medis menggunakan dataset Breast Cancer Wisconsin (Diagnostic). Dataset yang digunakan terdiri dari 569 sampel dengan 30 fitur numerik yang merepresentasikan karakteristik morfologi sel kanker hasil biopsi, seperti radius, tekstur, perimeter, area, dan smoothness. Penelitian ini diawali dengan tahap pra-pemrosesan data berupa normalisasi menggunakan metode Min-Max Scaling untuk memastikan setiap fitur berada pada rentang skala yang sama sehingga tidak mendominasi proses pembelajaran model. Selanjutnya, data dibagi menggunakan teknik Hold-Out dengan proporsi 80% sebagai data latih dan 20% sebagai data uji. Proses pelatihan dilakukan pada kedua model dengan parameter standar tanpa optimasi lanjutan untuk menjaga objektivitas perbandingan. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score guna memberikan gambaran menyeluruh terhadap performa klasifikasi, khususnya dalam konteks data medis yang sensitif terhadap kesalahan prediksi. Hasil penelitian menunjukkan bahwa Regresi Logistik memperoleh performa lebih tinggi dengan akurasi sebesar 96,49%, dibandingkan Perceptron klasik yang mencapai 93%. Temuan ini mengindikasikan bahwa pendekatan probabilistik pada Regresi Logistik lebih efektif dalam memodelkan hubungan antar fitur numerik dan menghasilkan batas keputusan yang lebih stabil pada klasifikasi kanker payudara.

Kata Kunci: breast cancer; klasifikasi; logistic regression; machine learning; perceptron;