Optimasi Hyperparameter Naïve Bayes dalam Memprediksi Kanker Payudara Menggunakan GridSearch

Abstract

Kanker payudara merupakan salah satu penyakit paling mematikan bagi perempuan, dan deteksi dini berperan penting dalam meningkatkan peluang kesembuhan. Penelitian ini mengoptimalkan algoritma Naïve Bayes untuk prediksi kanker payudara dengan menggunakan GridSearchCV dalam tuning hyperparameter serta SMOTE untuk mengatasi ketidakseimbangan kelas. Dataset yang digunakan adalah Breast Cancer Wisconsin (Diagnostic) dengan 569 data dan 30 fitur numerik. Proses preprocessing mencakup encoding label, seleksi fitur berdasarkan korelasi, normalisasi, dan oversampling. GridSearchCV menemukan nilai var_smoothing optimal sebesar 3.20×10⁻⁸. Model terbaik mencapai akurasi 92,31% dengan precision dan recall seimbang untuk kedua kelas. Hasil ini menunjukkan bahwa optimasi Naïve Bayes efektif dalam klasifikasi data medis dan berpotensi mendukung diagnosis kanker payudara secara dini dan akurat.