Ensemble learning dapat meningkatkan klasifikasi benign dan malignant dengan menggabungkan prediksi beberapa model, sementara optimasi mencakup pemilihan fitur, penyetelan parameter, dan penanganan ketidakseimbangan kelas. Namun, skor tinggi pada dataset Wisconsin hanya menunjukkan kinerja pada benchmark dan protokol tertentu—bukan bukti bahwa model siap digunakan untuk mendiagnosis pasien.
Dataset Wisconsin yang umum dipakai mengukur fitur FNA, bukan citra mamografi
UCI Machine Learning Repository mencatat bahwa dataset Breast Cancer Wisconsin (Diagnostic) berisi 569 kasus dan 30 fitur, dengan target diagnosis benign (B) atau malignant (M). Fitur numeriknya dihitung dari citra aspirasi jarum halus (fine needle aspirate/FNA) massa payudara. Seperti dijelaskan UCI, “Features are computed from a digitized image of a fine needle aspirate (FNA) of a breast mass.” Fitur mencakup ukuran dan tekstur inti sel, antara lain radius, texture, perimeter, area, smoothness, compactness, concavity, concave points, symmetry, dan fractal dimension. Dataset tersebut tidak memiliki nilai hilang menurut metadata UCI. Sumber: UCI Machine Learning Repository.
As an Amazon Associate I earn from qualifying purchases.
Istilah WDBC biasanya merujuk pada Wisconsin Diagnostic Breast Cancer, sedangkan WBCD dapat dipakai untuk Wisconsin Breast Cancer Database. Nama yang mirip tidak menjamin bahwa dua makalah memakai varian, prapemrosesan, pembagian data, atau definisi metrik yang sama. Dataset UCI ini berupa fitur terstruktur yang berasal dari FNA; hasilnya tidak dapat disamakan langsung dengan hasil model yang menganalisis citra mamografi atau histopatologi.
What’s actually slowing this PC down?
Pick the symptom - the matching free tool is one click away.
Apa yang dilakukan ensemble learning?
Ensemble menggabungkan keluaran beberapa classifier agar keputusan akhir tidak bergantung pada satu model. Pada hard voting, tiap model memberikan kelas dan kelas dengan suara terbanyak dipilih. Pada soft voting, model memberikan probabilitas kelas yang digabungkan; hasilnya dapat bergantung pada cara probabilitas dikalibrasi dan bobot yang digunakan. Stacking memakai prediksi model dasar sebagai masukan bagi model tingkat kedua. Bagging dan boosting juga merupakan keluarga ensemble, tetapi bekerja dengan strategi pelatihan yang berbeda.
#1 Best Overall
Dalam studi Alickovic dan rekan pada 2020, delapan classifier dievaluasi pada WBCD. Penulis memilih regresi logistik sederhana, SVM dengan stochastic gradient descent, dan multilayer perceptron berdasarkan F3, lalu membandingkan majority voting dengan beberapa bentuk soft voting. Majority voting menghasilkan akurasi 99.42% pada pembagian 70:30; makalah itu juga melaporkan akurasi 98.77% dalam validasi silang 10-fold. Keduanya adalah hasil eksperimen tersebut, bukan jaminan bahwa ensemble lain atau pembagian data lain akan mencapai angka serupa. Sumber: Alickovic dan rekan, Journal of Imaging, 2020.
Optimasi model bukan satu langkah tunggal
Istilah optimasi model dapat mencakup beberapa keputusan yang berbeda. Menyatukannya dalam satu angka akurasi membuat sulit mengetahui perubahan mana yang benar-benar membantu.
Pemilihan fitur
Seleksi fitur memilih sebagian masukan yang dianggap paling berguna. Ini dapat mengurangi kompleksitas, tetapi pemilihan harus dilakukan hanya menggunakan data pelatihan di setiap validasi. Jika seluruh dataset dipakai untuk memilih fitur sebelum evaluasi, informasi dari data uji dapat memengaruhi model dan membuat skor tampak lebih baik dari kemampuan generalisasinya.
Studi FS-WOA-Stacking tahun 2024 menggabungkan seleksi fitur dan whale optimization untuk penyetelan hyperparameter sebelum stacking. Dalam skenario terbaik yang dilaporkan penulis, akurasinya 99.56% pada WBCD dan 99.65% pada WDBC. Angka ini menggambarkan hasil protokol studi tersebut; tanpa penyamaan pembagian data dan prosedur evaluasi, angka itu tidak membuktikan modelnya lebih unggul daripada hasil makalah lain. Sumber: studi FS-WOA-Stacking, 2024.
Penyetelan hyperparameter
Hyperparameter mengatur proses belajar, bukan nilai yang dipelajari langsung dari contoh seperti bobot model. Tergantung algoritmenya, parameter yang dituning dapat mencakup kekuatan regularisasi, jumlah neuron, atau konfigurasi ensemble. Laporan yang dapat dinilai seharusnya menyebutkan ruang pencarian, metode pencarian, metrik pemilihan, dan apakah tuning berlangsung hanya pada data pelatihan. Jika hasil validasi yang sama dipakai berulang kali untuk memilih konfigurasi, skor akhir dapat terlalu optimistis.
Penanganan ketidakseimbangan kelas
Jika jumlah contoh benign dan malignant berbeda, akurasi keseluruhan dapat menutupi kinerja buruk pada kelas yang lebih jarang. Oversampling seperti SMOTE membuat contoh sintetis, sedangkan pembelajaran cost-sensitive memberi penalti berbeda pada jenis kesalahan. Keduanya harus dievaluasi dengan protokol yang mencegah kebocoran data.
Studi imbalance-aware tahun 2026 membandingkan baseline, SMOTE, ADASYN, dan cost-sensitive learning dengan beberapa model tunggal serta ensemble. Penulis menggunakan stratified 10-fold cross-validation dan menerapkan resampling hanya pada bagian training di setiap fold. Pada distribusi asli dataset, soft-voting ensemble dengan classifier yang diseimbangkan SMOTE melaporkan F1 0.9880 dan MCC 0.9812. Penulis juga mengidentifikasi worst area, perimeter, dan concave points sebagai fitur penting menurut analisis SHAP dan permutation. Nilai tersebut tetap merupakan hasil studi itu, bukan ukuran kinerja universal. Sumber: Intelligence-Based Medicine, 2026.
Metrik harus memperlihatkan jenis kesalahan
Akurasi adalah proporsi seluruh prediksi yang benar, tetapi tidak menunjukkan apakah model melewatkan banyak kasus malignant. Untuk mengukur proporsi kasus positif yang ditemukan, gunakan recall atau sensitivitas. False negative berarti kasus malignant diklasifikasikan sebagai benign. Precision menunjukkan proporsi prediksi positif yang benar, sedangkan specificity mengukur proporsi kasus negatif yang dikenali dengan benar. Metrik ini menjawab pertanyaan berbeda, sehingga sebaiknya dilaporkan bersama, bukan dipertukarkan.
F1 menyeimbangkan precision dan recall; F2 dan F3 memberi bobot lebih besar pada recall. Alickovic dan rekan menulis, “it is important to evaluate the performance based on f-measures (e.g., F2, F3) that weigh recall more than precision.” Memilih F3 dapat masuk akal ketika tujuan evaluasi lebih menekankan agar kasus positif tidak terlewat, tetapi tidak menghilangkan kebutuhan untuk melihat false positive dan metrik lainnya. Sumber: Alickovic dan rekan, 2020.
Untuk laporan yang lebih lengkap, sertakan confusion matrix dan pertimbangkan recall/sensitivitas, specificity, precision, F1 atau F2/F3, serta metrik yang sesuai dengan masalah seperti ROC-AUC, PR-AUC, balanced accuracy, MCC, dan kalibrasi. Studi imbalance-aware 2026, misalnya, menggunakan sepuluh ukuran evaluasi termasuk Brier score. Metrik yang dipilih harus sesuai dengan tujuan dan prevalensi kelas; satu skor ringkas tidak menggambarkan seluruh biaya kesalahan.
Independent reader supportYour contribution helps us test, update, and keep practical guides available for everyone.Cara membaca skor antarmakalah dengan adil
Skor dari studi yang memakai dataset atau protokol berbeda tidak membentuk peringkat langsung. Bahkan akurasi yang dihitung pada nama dataset yang sama dapat berubah karena pembagian data, prapemrosesan, strategi validasi, penanganan imbalance, atau definisi metrik.
PC Slower Than It Used to Be?
A free scan shows the junk files, broken settings and background clutter dragging Windows down - then fixes them in one click.Free scan · Windows 10 & 11Outdated Drivers Are Slowing You Down
One free scan finds every outdated or missing driver and matches the right update for your exact hardware.Free scan · exact hardware matchSebuah studi ensemble multi-model pada WDBC tahun 2023 melaporkan rata-rata akurasi stacking 99.89%. Nilai sensitivitas yang dicantumkan dalam abstraknya tampak tidak konsisten dengan rentang yang lazim, sehingga angka sensitivitas itu tidak layak dipakai tanpa pemeriksaan terhadap naskah. Akurasi yang dilaporkan tetap harus dibaca sebagai hasil makalah tersebut, bukan pembanding head-to-head bagi studi lain. Sumber: studi ensemble multi-model, PubMed Central, 2023.
Best Value
Untuk membandingkan kandidat model, samakan dataset dan protokol terlebih dahulu. Setiap laporan sebaiknya menyebutkan jumlah kasus dan distribusi kelas, pembagian holdout atau jumlah fold, stratifikasi, tahapan prapemrosesan, fitur terpilih, prosedur tuning, serta metrik yang digunakan. Pada cross-validation dengan oversampling, pembagian fold dilakukan lebih dulu dan data sintetis dibuat hanya dari training fold. Membuat sampel sintetis sebelum train/test split dapat membawa informasi dari data uji ke pelatihan.
Skor benchmark bukan bukti kesiapan klinis
Dataset UCI berisi 569 kasus; pada ukuran seperti ini, hasil dapat sensitif terhadap contoh mana yang masuk ke tiap pembagian data. Skor sangat tinggi menunjukkan performa dalam evaluasi benchmark tertentu, tetapi sumber yang dibahas di sini tidak menetapkan validasi prospektif atau generalisasi klinis. Dataset juga berisi fitur terukur dari FNA, bukan data pasien lintas rumah sakit yang membuktikan hasil berlaku pada populasi dan alur kerja klinis yang beragam.
Ambang keputusan dan konsekuensi false positive maupun false negative harus ditentukan dalam konteks penggunaan klinis yang sesuai. Prediksi model pada dataset tidak menggantikan diagnosis dokter, dan performa klasifikasi pada benchmark tidak membuktikan manfaat bagi pasien.
Recommended Free Tools
Quick Recap
Product prices and availability are accurate as of the date/time indicated and are subject to change. Any price and availability information displayed on Amazon at the time of purchase will apply.
