Analisis performa algoritma catboost dalam klasifikasi diagnosis kanker prostat menggunakan data fitur morfologi

Kanker prostat merupakan salah satu jenis kanker yang sering terjadi pada pria. Perbedaan karakteristik morfologi sel, seperti ukuran, bentuk, tekstur, dan struktur inti sel, dapat digunakan untuk membedakan jaringan prostat yang bersifat jinak (benign) dan ganas (malignant). Banyaknya fitur morfologi yang digunakan menyebabkan proses analisis secara manual menjadi kurang efisien sehingga diperlukan metode klasifikasi yang mampu mengenali pola data secara akurat. Penelitian ini bertujuan untuk menganalisis performa algoritma CatBoost dalam klasifikasi kanker prostat berdasarkan fitur morfologi serta mengidentifikasi fitur yang paling berpengaruh menggunakan analisis feature importance. Dataset yang digunakan terdiri atas 100 data pasien dengan 8 variabel independen berupa fitur morfologi sel dan 1 variabel dependen berupa kelas kanker prostat, yaitu jinak dan ganas. Tahapan penelitian meliputi preprocessing data, penanganan missing value menggunakan median, pembagian data menggunakan metode 5-Fold Cross Validation, pemodelan menggunakan algoritma CatBoost, serta evaluasi model menggunakan confusion matrix. Hasil penelitian menunjukkan bahwa model CatBoost menghasilkan performa terbaik pada kombinasi parameter learning rate 0,2 dan depth 4 dengan nilai akurasi sebesar 92% . Hasil analisis feature importance menunjukkan bahwa fitur Perimeter merupakan fitur yang paling berpengaruh dalam proses klasifikasi, diikuti oleh fitur-fitur morfologi lainnya yang turut berkontribusi dalam membedakan kelas kanker prostat jinak dan ganas. Hasil penelitian ini menunjukkan bahwa algoritma CatBoost memiliki kemampuan yang sangat baik dalam mengklasifikasikan kanker prostat berdasarkan karakteristik morfologi sel.