Dosen Program Studi Teknologi Rekayasa Perangkat Lunak (TRPL), Sekolah Vokasi Universitas Gadjah Mada (UGM), Dr.Eng. Ganjar Alfian, S.T., M.Eng., memimpin sebuah penelitian kolaboratif berskala internasional yang berfokus pada inovasi teknologi kesehatan. Bersama tim peneliti lintas negara dari Korea Selatan, Republik Ceko, dan Indonesia, Ganjar Alfian mengembangkan model prediksi kanker payudara berbasis kecerdasan buatan (Artificial Intelligence).
Penelitian yang berjudul “Predicting Breast Cancer from Risk Factors Using SVM and Extra-Trees-Based Feature Selection Method” ini melibatkan para ahli dari berbagai institusi ternama, antara lain Sejong University dan Dongguk University (Korea Selatan), VSB–Technical University of Ostrava (Republik Ceko), serta mitra dalam negeri dari Telkom University, Universitas Teknologi Yogyakarta, dan IAIN Syekh Nurjati.
Metode Hybrid: SVM dan Extra-Trees
Latar belakang penelitian ini adalah urgensi deteksi dini kanker payudara. Pengenalan penyakit pada stadium awal melalui analisis faktor risiko dapat meningkatkan peluang kesembuhan secara signifikan. Untuk mencapai hal tersebut, tim peneliti mengusulkan pendekatan hibrida yang menggabungkan dua algoritma Machine Learning: Support Vector Machine (SVM) dan Extremely Randomized Trees Classifier (Extra-Trees).
Dalam model yang dikembangkan, algoritma Extra-Trees berperan penting sebagai metode seleksi fitur (feature selection). Algoritma ini bertugas memilah data, membuang fitur-fitur yang tidak relevan, dan hanya mempertahankan informasi yang paling berpengaruh terhadap diagnosis. Selanjutnya, algoritma SVM digunakan untuk melakukan klasifikasi atau diagnosis status kanker payudara berdasarkan data yang telah diseleksi tersebut.
Akurasi Tinggi dan Prototipe Web
Pengujian model dilakukan menggunakan dataset kanker payudara yang terdiri dari 116 subjek dengan metode validasi silang (stratified 10-fold cross-validation). Hasil penelitian menunjukkan pencapaian yang impresif. Model gabungan SVM dan Extra-Trees yang diusulkan berhasil mencapai akurasi tertinggi hingga 80,23%.
Penelitian ini juga membuktikan bahwa penerapan seleksi fitur berbasis Extra-Trees mampu meningkatkan rata-rata akurasi prediksi hingga 7,29% dibandingkan jika model Machine Learning bekerja tanpa metode seleksi fitur.
Tidak berhenti pada teori, tim peneliti juga mempresentasikan rancangan model prediksi ini ke dalam bentuk aplikasi berbasis web. Hal ini bertujuan agar sistem dapat diakses dan digunakan sebagai sistem pendukung keputusan diagnostik (diagnostic decision-support systems) yang membantu tenaga medis memprediksi risiko kanker payudara secara akurat dan efisien.
Terobosan teknologi medis ini merupakan kontribusi vital terhadap SDG 3 (Good Health and Well-being), khususnya dalam upaya menekan angka mortalitas akibat kanker melalui deteksi dini yang presisi. Di sisi lain, sinergi lintas negara yang melibatkan institusi dari Asia dan Eropa ini menjadi manifestasi nyata SDG 17 (Partnerships for the Goals), membuktikan bahwa kolaborasi global adalah kunci percepatan kemajuan sains. Lebih jauh, integrasi algoritma kecerdasan buatan ke dalam sistem pendukung keputusan klinis turut memperkuat SDG 9 (Industry, Innovation, and Infrastructure), menghadirkan infrastruktur kesehatan yang lebih cerdas, efisien, dan andal.
