Machine learning merupakan salah satu bidang dalam kecerdasan buatan yang memungkinkan komputer mempelajari pola dari data untuk menghasilkan prediksi maupun mendukung proses pengambilan keputusan. Penerapan machine learning semakin berkembang seiring dengan meningkatnya ketersediaan data dan kebutuhan akan metode analisis yang mampu memberikan hasil secara akurat dan efisien. Berbagai algoritma machine learning dapat digunakan untuk menyelesaikan permasalahan klasifikasi maupun regresi di berbagai bidang. Namun, setiap algoritma memiliki karakteristik masing-masing, sehingga pemilihan metode yang tepat menjadi hal penting dalam membangun model prediksi (Saputri, Firmansyah, & Purnomo, 2025). Salah satu pendekatan yang dapat digunakan untuk meningkatkan kinerja model adalah ensemble learning, yaitu metode dalam machine learning yang menggabungkan dua atau lebih algoritma dengan tujuan meningkatkan akurasi, mengurangi kesalahan, atau mengatasi bias yang dihasilkan oleh algortima individual (Sepbriant & Utomo, 2024).
Salah satu metode ensemble learning adalah Bootstrap Aggregating atau Bagging. Metode ini bertujuan untuk mengurangi varians (variance) model dengan menggabungkan prediksi dari beberapa model yang dilatih secara independen. Proses pembentukan model dilakukan melalui bootstrapping, yaitu pengambilan sampel secara acak dengan pengembalian (sampling with replacement) dari data pelatihan asli. Proses tersebut menghasilkan beberapa dataset baru yang umumnya memiliki ukuran sama dengan dataset awal, tetapi dapat memuat kombinasi pengamatan yang berbeda. Setiap dataset bootstrap kemudian digunakan untuk melatih model dasar secara terpisah. Keberagaman data yang terbentuk memungkinkan setiap model menghasilkan prediksi yang berbeda, sehingga penggabungan seluruh prediksi diharapkan dapat mengurangi variabilitas dan menghasilkan prediksi yang lebih stabil dibandingkan dengan penggunaan satu model saja (Abdullah dkk., 2026).
Praktikum ini bertujuan untuk memahami konsep dan mekanisme kerja metode Bagging serta penerapannya dalam pemodelan machine learning menggunakan perangkat lunak R. Melalui praktikum ini, praktikan diharapkan mampu menerapkan metode Bagging dan memahami perannya dalam meningkatkan kestabilan hasil prediksi.
Berdasarkan latar belakang, rumusan masalah yang dapat disimpulkan adalah:
Adapun tujuan penelitian ini yaitu:
Bootstrapped Aggregation atau Bagging merupakan salah satu metode dalam Ensemble Learning yang bertujuan untuk mengurangi varians dan meningkatkan stabilitas prediksi. Bagging efektif digunakan pada algoritma yang tidak stabil, yaitu algoritma yang sensitif terhadap perubahan kecil dalam data pelatihan dan dapat menghasilkan perbedaan besar dalam prediksi. Metode ini bekerja dengan membuat beberapa subset data pelatihan melalui teknik bootstrap, yaitu pengambilan sampel acak dengan pengembalian dari dataset asli. Selanjutnya, model yang sama dilatih secara paralel dan independen pada setiap subset data tersebut. Setelah semua model selesai dilatih, hasil prediksi dari masing - masing model digabungkan menggunakan metode agregasi sederhana seperti voting (untuk klasifikasi) atau mean (untuk regresi). Penggabungan ini menghasilkan prediksi akhir yang lebih akurat dan stabil dibandingkan dengan model tunggal (Dyasa dkk., 2026).
Keunggulan Bagging adalah mampu meningkatkan stabilitas model, mengurangi overfitting, serta meningkatkan kemampuan generalisasi terhadap data baru. Teknik ini sangat efektif ketika digunakan bersama algortima yang memiliki variansi tinggi seperti Decision Tree (Siswopranoto & Yuliana, 2026).
Langkah-langkah dalam Bagging secara garis besar dibagi menjadi empat bagian (Fransiska, 2026): - Membuat sampel dari data pelatihan (training data); jumlah sampel harus dalam jumlah yang sesuai (tidak terlalu banyak maupun terlalu sedikit). - Melatih model pada masing-masing sampel. - Membuat classifier dari setiap model dan menyimpan hasilnya. - Berdasarkan jenis ensemble yang digunakan baik itu voting tertimbang (weighted vote), voting mayoritas (majority vote), atau cara khusus lainnya, hasil tersebut digabungkan untuk memprediksi data uji (test data).
Ukuran kebaikan model berasal dari confusion matrix, yaitu label yang menunjukkan perbandingan antara hasil prediksi dengan label aktual. Confusion Matrix dapat dilihat pada tabel di bawah ini (Syukron, Santoso, & Widiharih, 2020):
| Predicted Class | True Class: Positive | True Class: Negative |
|---|---|---|
| Positive | True Positive Count (TP) | False Positive Count (FP) |
| Negative | False Negative Count (FN) | True Negative Count (TN) |
1. Akurasi (Accuracy)
Akurasi merupakan metrik yang menunjukkan proporsi prediksi yang benar terhadap keseluruhan data. Akurasi dapat dihitung menggunakan formula berikut (Direktorat Jenderal Pendidikan Tinggi, Riset, dan Teknologi, n.d):
\[accuracy = \frac{TP + TN}{TP + FP + TN + FN}\]
Akurasi memang menjadi metrik yang paling umum untuk digunakan dalam menilai kinerja. Namun, metrik ini cenderung memberikan gambaran yang keliru ketika distribusi tidak seimbang. Pada data yang tidak seimbang (imbalanced dataset), sebuah model dapat terlihat berkinerja baik dengan akurasi tinggi, padahal tidak mampu mengenali kelas minoritas.
2. Sensitivitas
Sensitivitas merupakan persentase ketepatan prediksi pada kelas positif, artinya observasi di kelas positif pada data aktual diprediksi positif (true positive). Dimana persamaannya adalah (Istiana & Mustafiril, 2023):
\[Sensitivitas = \frac{TP}{TP + FN}\]
3. Spesifisitas
Spesifisitas adalah tingkat ketepatan pada kelas negatif dalam data aktual, yaitu persentase banyaknya prediksi yang tepat pada observasi yang sebenarnya negatif. Spesifisitas dapat dihitung menggunakan persamaan di bawah ini (Istiana & Mustafiril, 2023):
\[Spesifisitas = \frac{TN}{TN + FP}\] 4. Presisi
Metrik Presisi dapat digunakan untuk mengukur seberapa tepat model dalam memberikan prediksi positif. Nilai prediksi yang tinggi mengindikasikan bahwa model jarang salah memberikan label positif. Metrik presisi dapat dihitung menggunakan formula berikut (Direktorat Jenderal Pendidikan Tinggi, Riset, dan Teknologi, n.d):
\[Precision = \frac{TP}{TP + FP}\] 5. Recall
Recall merupakan metrik yang digunakan untuk mengukur kemampuan model dalam mengenali data yang sebenarnya termasuk dalam kelas positif. Semakin tinggi nilai recall, maka semakin besar proporsi data positif yang berhasil diidentifikasi dengan benar oleh model.
\[Recall = \frac{TP}{TP + FN}\] 6. F1-Score
F1-Score digunakan untuk melihat kinerja model dengan mempertimbangkan precision dan recall secara bersamaan. Nilai F1-Score diperoleh dari rata-rata harmonik kedua metrik tersebut, sehingga memberikan ukuran yang lebih seimbang. Perhitungan F1-Score dapat dilakukan menggunakan persamaan berikut (Direktorat Jenderal Pendidikan Tinggi, Riset, dan Teknologi, n.d):
\[F1\text{-}Score = 2 \times \frac{precision \times recall}{precision + recall}\]
Jenis data yang digunakan dalam praktikum ini terdiri atas data kategorik dan numerik. Data kategorik merupakan data yang menunjukkan kelompok atau kategori tertentu untuk membedakan karakteristik suatu objek, sedangkan data numerik merupakan data yang dinyatakan dalam bentuk angka dan dapat digunakan dalam perhitungan matematis. Sumber data yang digunakan dalam praktikum ini adalah data sekunder, yaitu data yang telah tersedia sebelumnya dan dimanfaatkan untuk memenuhi kebutuhan analisis. Data sekunder yang digunakan berupa dataset BreastCancer yang tersedia dalam pemrograman R dan terdiri atas 699 observasi serta 11 variabel
Variabel penelitian merupakan karakteristik atau atribut yang menjadi
objek pengamatan dalam suatu penelitian. Pada praktikum ini, dataset
BreastCancer terdiri atas 11 variabel, yaitu satu variabel
identitas, sembilan variabel prediktor, dan satu variabel target.
Variabel Class berperan sebagai variabel target bertipe
kategorik yang terdiri atas dua kelas, yaitu benign (jinak) dan
malignant (ganas). Sembilan variabel prediktor meliputi
Cl.thickness, Cell.size,
Cell.shape, Marg.adhesion,
Epith.c.size, Bare.nuclei,
Bl.cromatin, Normal.nucleoli, dan
Mitoses. Variabel Cl.thickness,
Cell.size, Cell.shape,
Marg.adhesion, dan Epith.c.size bertipe
kategorik ordinal (ordered factor), sedangkan
Bare.nuclei, Bl.cromatin,
Normal.nucleoli, dan Mitoses bertipe kategorik
(factor). Sementara itu, variabel Id bertipe
karakter dan berfungsi sebagai identitas setiap pengamatan, sehingga
tidak digunakan sebagai prediktor dalam pemodelan.
Adapun analisis data pada batasan masalah ini sebagai berikut: 1.
Memanggil dan mengeksplorasi dataset BreastCancer
2. Menghapus variabel Id dan menangani missing
value. 3. Membagi data latih dan data uji dengan proporsi 70:30. 4.
Membentuk model Bagging dengan jumlah model 25, 50, dan 100. 5.
Melakukan prediksi dan menghitung metrik evaluasi. 6. Membandingkan
hasil evaluasi dan OOB Error.
# Library
library(mlbench)
library(ipred)
library(caret)
#Data
data("BreastCancer", package = "mlbench")
data <- BreastCancer;data## Id Cl.thickness Cell.size Cell.shape Marg.adhesion Epith.c.size
## 1 1000025 5 1 1 1 2
## 2 1002945 5 4 4 5 7
## 3 1015425 3 1 1 1 2
## 4 1016277 6 8 8 1 3
## 5 1017023 4 1 1 3 2
## 6 1017122 8 10 10 8 7
## 7 1018099 1 1 1 1 2
## 8 1018561 2 1 2 1 2
## 9 1033078 2 1 1 1 2
## 10 1033078 4 2 1 1 2
## 11 1035283 1 1 1 1 1
## 12 1036172 2 1 1 1 2
## 13 1041801 5 3 3 3 2
## 14 1043999 1 1 1 1 2
## 15 1044572 8 7 5 10 7
## 16 1047630 7 4 6 4 6
## 17 1048672 4 1 1 1 2
## 18 1049815 4 1 1 1 2
## 19 1050670 10 7 7 6 4
## 20 1050718 6 1 1 1 2
## 21 1054590 7 3 2 10 5
## 22 1054593 10 5 5 3 6
## 23 1056784 3 1 1 1 2
## 24 1057013 8 4 5 1 2
## 25 1059552 1 1 1 1 2
## 26 1065726 5 2 3 4 2
## 27 1066373 3 2 1 1 1
## 28 1066979 5 1 1 1 2
## 29 1067444 2 1 1 1 2
## 30 1070935 1 1 3 1 2
## 31 1070935 3 1 1 1 1
## 32 1071760 2 1 1 1 2
## 33 1072179 10 7 7 3 8
## 34 1074610 2 1 1 2 2
## 35 1075123 3 1 2 1 2
## 36 1079304 2 1 1 1 2
## 37 1080185 10 10 10 8 6
## 38 1081791 6 2 1 1 1
## 39 1084584 5 4 4 9 2
## 40 1091262 2 5 3 3 6
## 41 1096800 6 6 6 9 6
## 42 1099510 10 4 3 1 3
## 43 1100524 6 10 10 2 8
## 44 1102573 5 6 5 6 10
## 45 1103608 10 10 10 4 8
## 46 1103722 1 1 1 1 2
## 47 1105257 3 7 7 4 4
## 48 1105524 1 1 1 1 2
## 49 1106095 4 1 1 3 2
## 50 1106829 7 8 7 2 4
## 51 1108370 9 5 8 1 2
## 52 1108449 5 3 3 4 2
## 53 1110102 10 3 6 2 3
## 54 1110503 5 5 5 8 10
## 55 1110524 10 5 5 6 8
## 56 1111249 10 6 6 3 4
## 57 1112209 8 10 10 1 3
## 58 1113038 8 2 4 1 5
## 59 1113483 5 2 3 1 6
## 60 1113906 9 5 5 2 2
## 61 1115282 5 3 5 5 3
## 62 1115293 1 1 1 1 2
## 63 1116116 9 10 10 1 10
## 64 1116132 6 3 4 1 5
## 65 1116192 1 1 1 1 2
## 66 1116998 10 4 2 1 3
## 67 1117152 4 1 1 1 2
## 68 1118039 5 3 4 1 8
## 69 1120559 8 3 8 3 4
## 70 1121732 1 1 1 1 2
## 71 1121919 5 1 3 1 2
## 72 1123061 6 10 2 8 10
## 73 1124651 1 3 3 2 2
## 74 1125035 9 4 5 10 6
## 75 1126417 10 6 4 1 3
## 76 1131294 1 1 2 1 2
## 77 1132347 1 1 4 1 2
## 78 1133041 5 3 1 2 2
## 79 1133136 3 1 1 1 2
## 80 1136142 2 1 1 1 3
## 81 1137156 2 2 2 1 1
## 82 1143978 4 1 1 2 2
## 83 1143978 5 2 1 1 2
## 84 1147044 3 1 1 1 2
## 85 1147699 3 5 7 8 8
## 86 1147748 5 10 6 1 10
## 87 1148278 3 3 6 4 5
## 88 1148873 3 6 6 6 5
## 89 1152331 4 1 1 1 2
## 90 1155546 2 1 1 2 3
## 91 1156272 1 1 1 1 2
## 92 1156948 3 1 1 2 2
## 93 1157734 4 1 1 1 2
## 94 1158247 1 1 1 1 2
## 95 1160476 2 1 1 1 2
## 96 1164066 1 1 1 1 2
## 97 1165297 2 1 1 2 2
## 98 1165790 5 1 1 1 2
## 99 1165926 9 6 9 2 10
## 100 1166630 7 5 6 10 5
## 101 1166654 10 3 5 1 10
## 102 1167439 2 3 4 4 2
## 103 1167471 4 1 2 1 2
## 104 1168359 8 2 3 1 6
## 105 1168736 10 10 10 10 10
## 106 1169049 7 3 4 4 3
## 107 1170419 10 10 10 8 2
## 108 1170420 1 6 8 10 8
## 109 1171710 1 1 1 1 2
## 110 1171710 6 5 4 4 3
## 111 1171795 1 3 1 2 2
## 112 1171845 8 6 4 3 5
## 113 1172152 10 3 3 10 2
## 114 1173216 10 10 10 3 10
## 115 1173235 3 3 2 1 2
## 116 1173347 1 1 1 1 2
## 117 1173347 8 3 3 1 2
## 118 1173509 4 5 5 10 4
## 119 1173514 1 1 1 1 4
## 120 1173681 3 2 1 1 2
## 121 1174057 1 1 2 2 2
## 122 1174057 4 2 1 1 2
## 123 1174131 10 10 10 2 10
## 124 1174428 5 3 5 1 8
## 125 1175937 5 4 6 7 9
## 126 1176406 1 1 1 1 2
## 127 1176881 7 5 3 7 4
## 128 1177027 3 1 1 1 2
## 129 1177399 8 3 5 4 5
## 130 1177512 1 1 1 1 10
## 131 1178580 5 1 3 1 2
## 132 1179818 2 1 1 1 2
## 133 1180194 5 10 8 10 8
## 134 1180523 3 1 1 1 2
## 135 1180831 3 1 1 1 3
## 136 1181356 5 1 1 1 2
## 137 1182404 4 1 1 1 2
## 138 1182410 3 1 1 1 2
## 139 1183240 4 1 2 1 2
## 140 1183246 1 1 1 1 1
## 141 1183516 3 1 1 1 2
## 142 1183911 2 1 1 1 2
## 143 1183983 9 5 5 4 4
## 144 1184184 1 1 1 1 2
## 145 1184241 2 1 1 1 2
## 146 1184840 1 1 3 1 2
## 147 1185609 3 4 5 2 6
## 148 1185610 1 1 1 1 3
## 149 1187457 3 1 1 3 8
## 150 1187805 8 8 7 4 10
## 151 1188472 1 1 1 1 1
## 152 1189266 7 2 4 1 6
## 153 1189286 10 10 8 6 4
## 154 1190394 4 1 1 1 2
## 155 1190485 1 1 1 1 2
## 156 1192325 5 5 5 6 3
## 157 1193091 1 2 2 1 2
## 158 1193210 2 1 1 1 2
## 159 1193683 1 1 2 1 3
## 160 1196295 9 9 10 3 6
## 161 1196915 10 7 7 4 5
## 162 1197080 4 1 1 1 2
## 163 1197270 3 1 1 1 2
## 164 1197440 1 1 1 2 1
## 165 1197510 5 1 1 1 2
## 166 1197979 4 1 1 1 2
## 167 1197993 5 6 7 8 8
## 168 1198128 10 8 10 10 6
## 169 1198641 3 1 1 1 2
## 170 1199219 1 1 1 2 1
## 171 1199731 3 1 1 1 2
## 172 1199983 1 1 1 1 2
## 173 1200772 1 1 1 1 2
## 174 1200847 6 10 10 10 8
## 175 1200892 8 6 5 4 3
## 176 1200952 5 8 7 7 10
## 177 1201834 2 1 1 1 2
## 178 1201936 5 10 10 3 8
## 179 1202125 4 1 1 1 2
## 180 1202812 5 3 3 3 6
## 181 1203096 1 1 1 1 1
## 182 1204242 1 1 1 1 2
## 183 1204898 6 1 1 1 2
## 184 1205138 5 8 8 8 5
## 185 1205579 8 7 6 4 4
## 186 1206089 2 1 1 1 1
## 187 1206695 1 5 8 6 5
## 188 1206841 10 5 6 10 6
## 189 1207986 5 8 4 10 5
## 190 1208301 1 2 3 1 2
## 191 1210963 10 10 10 8 6
## 192 1211202 7 5 10 10 10
## 193 1212232 5 1 1 1 2
## 194 1212251 1 1 1 1 2
## 195 1212422 3 1 1 1 2
## 196 1212422 4 1 1 1 2
## 197 1213375 8 4 4 5 4
## 198 1213383 5 1 1 4 2
## 199 1214092 1 1 1 1 2
## 200 1214556 3 1 1 1 2
## 201 1214966 9 7 7 5 5
## 202 1216694 10 8 8 4 10
## 203 1216947 1 1 1 1 2
## 204 1217051 5 1 1 1 2
## 205 1217264 1 1 1 1 2
## 206 1218105 5 10 10 9 6
## 207 1218741 10 10 9 3 7
## 208 1218860 1 1 1 1 1
## 209 1218860 1 1 1 1 1
## 210 1219406 5 1 1 1 1
## 211 1219525 8 10 10 10 5
## 212 1219859 8 10 8 8 4
## 213 1220330 1 1 1 1 2
## 214 1221863 10 10 10 10 7
## 215 1222047 10 10 10 10 3
## 216 1222936 8 7 8 7 5
## 217 1223282 1 1 1 1 2
## 218 1223426 1 1 1 1 2
## 219 1223793 6 10 7 7 6
## 220 1223967 6 1 3 1 2
## 221 1224329 1 1 1 2 2
## 222 1225799 10 6 4 3 10
## 223 1226012 4 1 1 3 1
## 224 1226612 7 5 6 3 3
## 225 1227210 10 5 5 6 3
## 226 1227244 1 1 1 1 2
## 227 1227481 10 5 7 4 4
## 228 1228152 8 9 9 5 3
## 229 1228311 1 1 1 1 1
## 230 1230175 10 10 10 3 10
## 231 1230688 7 4 7 4 3
## 232 1231387 6 8 7 5 6
## 233 1231706 8 4 6 3 3
## 234 1232225 10 4 5 5 5
## 235 1236043 3 3 2 1 3
## 236 1241232 3 1 4 1 2
## 237 1241559 10 8 8 2 8
## 238 1241679 9 8 8 5 6
## 239 1242364 8 10 10 8 6
## 240 1243256 10 4 3 2 3
## 241 1270479 5 1 3 3 2
## 242 1276091 3 1 1 3 1
## 243 1277018 2 1 1 1 2
## 244 128059 1 1 1 1 2
## 245 1285531 1 1 1 1 2
## 246 1287775 5 1 1 2 2
## 247 144888 8 10 10 8 5
## 248 145447 8 4 4 1 2
## 249 167528 4 1 1 1 2
## 250 169356 3 1 1 1 2
## 251 183913 1 2 2 1 2
## 252 191250 10 4 4 10 2
## 253 1017023 6 3 3 5 3
## 254 1100524 6 10 10 2 8
## 255 1116116 9 10 10 1 10
## 256 1168736 5 6 6 2 4
## 257 1182404 3 1 1 1 2
## 258 1182404 3 1 1 1 2
## 259 1198641 3 1 1 1 2
## 260 242970 5 7 7 1 5
## 261 255644 10 5 8 10 3
## 262 263538 5 10 10 6 10
## 263 274137 8 8 9 4 5
## 264 303213 10 4 4 10 6
## 265 314428 7 9 4 10 10
## 266 1182404 5 1 4 1 2
## 267 1198641 10 10 6 3 3
## 268 320675 3 3 5 2 3
## 269 324427 10 8 8 2 3
## 270 385103 1 1 1 1 2
## 271 390840 8 4 7 1 3
## 272 411453 5 1 1 1 2
## 273 320675 3 3 5 2 3
## 274 428903 7 2 4 1 3
## 275 431495 3 1 1 1 2
## 276 432809 3 1 3 1 2
## 277 434518 3 1 1 1 2
## 278 452264 1 1 1 1 2
## 279 456282 1 1 1 1 2
## 280 476903 10 5 7 3 3
## 281 486283 3 1 1 1 2
## 282 486662 2 1 1 2 2
## 283 488173 1 4 3 10 4
## 284 492268 10 4 6 1 2
## 285 508234 7 4 5 10 2
## 286 527363 8 10 10 10 8
## 287 529329 10 10 10 10 10
## 288 535331 3 1 1 1 3
## 289 543558 6 1 3 1 4
## 290 555977 5 6 6 8 6
## 291 560680 1 1 1 1 2
## 292 561477 1 1 1 1 2
## 293 563649 8 8 8 1 2
## 294 601265 10 4 4 6 2
## 295 606140 1 1 1 1 2
## 296 606722 5 5 7 8 6
## 297 616240 5 3 4 3 4
## 298 61634 5 4 3 1 2
## 299 625201 8 2 1 1 5
## 300 63375 9 1 2 6 4
## 301 635844 8 4 10 5 4
## 302 636130 1 1 1 1 2
## 303 640744 10 10 10 7 9
## 304 646904 1 1 1 1 2
## 305 653777 8 3 4 9 3
## 306 659642 10 8 4 4 4
## 307 666090 1 1 1 1 2
## 308 666942 1 1 1 1 2
## 309 667204 7 8 7 6 4
## 310 673637 3 1 1 1 2
## 311 684955 2 1 1 1 3
## 312 688033 1 1 1 1 2
## 313 691628 8 6 4 10 10
## 314 693702 1 1 1 1 2
## 315 704097 1 1 1 1 1
## 316 704168 4 6 5 6 7
## 317 706426 5 5 5 2 5
## 318 709287 6 8 7 8 6
## 319 718641 1 1 1 1 5
## 320 721482 4 4 4 4 6
## 321 730881 7 6 3 2 5
## 322 733639 3 1 1 1 2
## 323 733639 3 1 1 1 2
## 324 733823 5 4 6 10 2
## 325 740492 1 1 1 1 2
## 326 743348 3 2 2 1 2
## 327 752904 10 1 1 1 2
## 328 756136 1 1 1 1 2
## 329 760001 8 10 3 2 6
## 330 760239 10 4 6 4 5
## 331 76389 10 4 7 2 2
## 332 764974 5 1 1 1 2
## 333 770066 5 2 2 2 2
## 334 785208 5 4 6 6 4
## 335 785615 8 6 7 3 3
## 336 792744 1 1 1 1 2
## 337 797327 6 5 5 8 4
## 338 798429 1 1 1 1 2
## 339 704097 1 1 1 1 1
## 340 806423 8 5 5 5 2
## 341 809912 10 3 3 1 2
## 342 810104 1 1 1 1 2
## 343 814265 2 1 1 1 2
## 344 814911 1 1 1 1 2
## 345 822829 7 6 4 8 10
## 346 826923 1 1 1 1 2
## 347 830690 5 2 2 2 3
## 348 831268 1 1 1 1 1
## 349 832226 3 4 4 10 5
## 350 832567 4 2 3 5 3
## 351 836433 5 1 1 3 2
## 352 837082 2 1 1 1 2
## 353 846832 3 4 5 3 7
## 354 850831 2 7 10 10 7
## 355 855524 1 1 1 1 2
## 356 857774 4 1 1 1 3
## 357 859164 5 3 3 1 3
## 358 859350 8 10 10 7 10
## 359 866325 8 10 5 3 8
## 360 873549 10 3 5 4 3
## 361 877291 6 10 10 10 10
## 362 877943 3 10 3 10 6
## 363 888169 3 2 2 1 4
## 364 888523 4 4 4 2 2
## 365 896404 2 1 1 1 2
## 366 897172 2 1 1 1 2
## 367 95719 6 10 10 10 8
## 368 160296 5 8 8 10 5
## 369 342245 1 1 3 1 2
## 370 428598 1 1 3 1 1
## 371 492561 4 3 2 1 3
## 372 493452 1 1 3 1 2
## 373 493452 4 1 2 1 2
## 374 521441 5 1 1 2 2
## 375 560680 3 1 2 1 2
## 376 636437 1 1 1 1 2
## 377 640712 1 1 1 1 2
## 378 654244 1 1 1 1 1
## 379 657753 3 1 1 4 3
## 380 685977 5 3 4 1 4
## 381 805448 1 1 1 1 2
## 382 846423 10 6 3 6 4
## 383 1002504 3 2 2 2 2
## 384 1022257 2 1 1 1 2
## 385 1026122 2 1 1 1 2
## 386 1071084 3 3 2 2 3
## 387 1080233 7 6 6 3 2
## 388 1114570 5 3 3 2 3
## 389 1114570 2 1 1 1 2
## 390 1116715 5 1 1 1 3
## 391 1131411 1 1 1 2 2
## 392 1151734 10 8 7 4 3
## 393 1156017 3 1 1 1 2
## 394 1158247 1 1 1 1 1
## 395 1158405 1 2 3 1 2
## 396 1168278 3 1 1 1 2
## 397 1176187 3 1 1 1 2
## 398 1196263 4 1 1 1 2
## 399 1196475 3 2 1 1 2
## 400 1206314 1 2 3 1 2
## 401 1211265 3 10 8 7 6
## 402 1213784 3 1 1 1 2
## 403 1223003 5 3 3 1 2
## 404 1223306 3 1 1 1 2
## 405 1223543 1 2 1 3 2
## 406 1229929 1 1 1 1 2
## 407 1231853 4 2 2 1 2
## 408 1234554 1 1 1 1 2
## 409 1236837 2 3 2 2 2
## 410 1237674 3 1 2 1 2
## 411 1238021 1 1 1 1 2
## 412 1238464 1 1 1 1 1
## 413 1238633 10 10 10 6 8
## 414 1238915 5 1 2 1 2
## 415 1238948 8 5 6 2 3
## 416 1239232 3 3 2 6 3
## 417 1239347 8 7 8 5 10
## 418 1239967 1 1 1 1 2
## 419 1240337 5 2 2 2 2
## 420 1253505 2 3 1 1 5
## 421 1255384 3 2 2 3 2
## 422 1257200 10 10 10 7 10
## 423 1257648 4 3 3 1 2
## 424 1257815 5 1 3 1 2
## 425 1257938 3 1 1 1 2
## 426 1258549 9 10 10 10 10
## 427 1258556 5 3 6 1 2
## 428 1266154 8 7 8 2 4
## 429 1272039 1 1 1 1 2
## 430 1276091 2 1 1 1 2
## 431 1276091 1 3 1 1 2
## 432 1276091 5 1 1 3 4
## 433 1277629 5 1 1 1 2
## 434 1293439 3 2 2 3 2
## 435 1293439 6 9 7 5 5
## 436 1294562 10 8 10 1 3
## 437 1295186 10 10 10 1 6
## 438 527337 4 1 1 1 2
## 439 558538 4 1 3 3 2
## 440 566509 5 1 1 1 2
## 441 608157 10 4 3 10 4
## 442 677910 5 2 2 4 2
## 443 734111 1 1 1 3 2
## 444 734111 1 1 1 1 2
## 445 780555 5 1 1 6 3
## 446 827627 2 1 1 1 2
## 447 1049837 1 1 1 1 2
## 448 1058849 5 1 1 1 2
## 449 1182404 1 1 1 1 1
## 450 1193544 5 7 9 8 6
## 451 1201870 4 1 1 3 1
## 452 1202253 5 1 1 1 2
## 453 1227081 3 1 1 3 2
## 454 1230994 4 5 5 8 6
## 455 1238410 2 3 1 1 3
## 456 1246562 10 2 2 1 2
## 457 1257470 10 6 5 8 5
## 458 1259008 8 8 9 6 6
## 459 1266124 5 1 2 1 2
## 460 1267898 5 1 3 1 2
## 461 1268313 5 1 1 3 2
## 462 1268804 3 1 1 1 2
## 463 1276091 6 1 1 3 2
## 464 1280258 4 1 1 1 2
## 465 1293966 4 1 1 1 2
## 466 1296572 10 9 8 7 6
## 467 1298416 10 6 6 2 4
## 468 1299596 6 6 6 5 4
## 469 1105524 4 1 1 1 2
## 470 1181685 1 1 2 1 2
## 471 1211594 3 1 1 1 1
## 472 1238777 6 1 1 3 2
## 473 1257608 6 1 1 1 1
## 474 1269574 4 1 1 1 2
## 475 1277145 5 1 1 1 2
## 476 1287282 3 1 1 1 2
## 477 1296025 4 1 2 1 2
## 478 1296263 4 1 1 1 2
## 479 1296593 5 2 1 1 2
## 480 1299161 4 8 7 10 4
## 481 1301945 5 1 1 1 1
## 482 1302428 5 3 2 4 2
## 483 1318169 9 10 10 10 10
## 484 474162 8 7 8 5 5
## 485 787451 5 1 2 1 2
## 486 1002025 1 1 1 3 1
## 487 1070522 3 1 1 1 1
## 488 1073960 10 10 10 10 6
## 489 1076352 3 6 4 10 3
## 490 1084139 6 3 2 1 3
## 491 1115293 1 1 1 1 2
## 492 1119189 5 8 9 4 3
## 493 1133991 4 1 1 1 1
## 494 1142706 5 10 10 10 6
## 495 1155967 5 1 2 10 4
## 496 1170945 3 1 1 1 1
## 497 1181567 1 1 1 1 1
## 498 1182404 4 2 1 1 2
## 499 1204558 4 1 1 1 2
## 500 1217952 4 1 1 1 2
## 501 1224565 6 1 1 1 2
## 502 1238186 4 1 1 1 2
## 503 1253917 4 1 1 2 2
## 504 1265899 4 1 1 1 2
## 505 1268766 1 1 1 1 2
## 506 1277268 3 3 1 1 2
## 507 1286943 8 10 10 10 7
## 508 1295508 1 1 1 1 2
## 509 1297327 5 1 1 1 2
## 510 1297522 2 1 1 1 2
## 511 1298360 1 1 1 1 2
## 512 1299924 5 1 1 1 2
## 513 1299994 5 1 1 1 2
## 514 1304595 3 1 1 1 1
## 515 1306282 6 6 7 10 3
## 516 1313325 4 10 4 7 3
## 517 1320077 1 1 1 1 1
## 518 1320077 1 1 1 1 1
## 519 1320304 3 1 2 2 2
## 520 1330439 4 7 8 3 4
## 521 333093 1 1 1 1 3
## 522 369565 4 1 1 1 3
## 523 412300 10 4 5 4 3
## 524 672113 7 5 6 10 4
## 525 749653 3 1 1 1 2
## 526 769612 3 1 1 2 2
## 527 769612 4 1 1 1 2
## 528 798429 4 1 1 1 2
## 529 807657 6 1 3 2 2
## 530 8233704 4 1 1 1 1
## 531 837480 7 4 4 3 4
## 532 867392 4 2 2 1 2
## 533 869828 1 1 1 1 1
## 534 1043068 3 1 1 1 2
## 535 1056171 2 1 1 1 2
## 536 1061990 1 1 3 2 2
## 537 1113061 5 1 1 1 2
## 538 1116192 5 1 2 1 2
## 539 1135090 4 1 1 1 2
## 540 1145420 6 1 1 1 2
## 541 1158157 5 1 1 1 2
## 542 1171578 3 1 1 1 2
## 543 1174841 5 3 1 1 2
## 544 1184586 4 1 1 1 2
## 545 1186936 2 1 3 2 2
## 546 1197527 5 1 1 1 2
## 547 1222464 6 10 10 10 4
## 548 1240603 2 1 1 1 1
## 549 1240603 3 1 1 1 1
## 550 1241035 7 8 3 7 4
## 551 1287971 3 1 1 1 2
## 552 1289391 1 1 1 1 2
## 553 1299924 3 2 2 2 2
## 554 1306339 4 4 2 1 2
## 555 1313658 3 1 1 1 2
## 556 1313982 4 3 1 1 2
## 557 1321264 5 2 2 2 1
## 558 1321321 5 1 1 3 2
## 559 1321348 2 1 1 1 2
## 560 1321931 5 1 1 1 2
## 561 1321942 5 1 1 1 2
## 562 1321942 5 1 1 1 2
## 563 1328331 1 1 1 1 2
## 564 1328755 3 1 1 1 2
## 565 1331405 4 1 1 1 2
## 566 1331412 5 7 10 10 5
## 567 1333104 3 1 2 1 2
## 568 1334071 4 1 1 1 2
## 569 1343068 8 4 4 1 6
## 570 1343374 10 10 8 10 6
## 571 1344121 8 10 4 4 8
## 572 142932 7 6 10 5 3
## 573 183936 3 1 1 1 2
## 574 324382 1 1 1 1 2
## 575 378275 10 9 7 3 4
## 576 385103 5 1 2 1 2
## 577 690557 5 1 1 1 2
## 578 695091 1 1 1 1 2
## 579 695219 1 1 1 1 2
## 580 824249 1 1 1 1 2
## 581 871549 5 1 2 1 2
## 582 878358 5 7 10 6 5
## 583 1107684 6 10 5 5 4
## 584 1115762 3 1 1 1 2
## 585 1217717 5 1 1 6 3
## 586 1239420 1 1 1 1 2
## 587 1254538 8 10 10 10 6
## 588 1261751 5 1 1 1 2
## 589 1268275 9 8 8 9 6
## 590 1272166 5 1 1 1 2
## 591 1294261 4 10 8 5 4
## 592 1295529 2 5 7 6 4
## 593 1298484 10 3 4 5 3
## 594 1311875 5 1 2 1 2
## 595 1315506 4 8 6 3 4
## 596 1320141 5 1 1 1 2
## 597 1325309 4 1 2 1 2
## 598 1333063 5 1 3 1 2
## 599 1333495 3 1 1 1 2
## 600 1334659 5 2 4 1 1
## 601 1336798 3 1 1 1 2
## 602 1344449 1 1 1 1 1
## 603 1350568 4 1 1 1 2
## 604 1352663 5 4 6 8 4
## 605 188336 5 3 2 8 5
## 606 352431 10 5 10 3 5
## 607 353098 4 1 1 2 2
## 608 411453 1 1 1 1 2
## 609 557583 5 10 10 10 10
## 610 636375 5 1 1 1 2
## 611 736150 10 4 3 10 3
## 612 803531 5 10 10 10 5
## 613 822829 8 10 10 10 6
## 614 1016634 2 3 1 1 2
## 615 1031608 2 1 1 1 1
## 616 1041043 4 1 3 1 2
## 617 1042252 3 1 1 1 2
## 618 1057067 1 1 1 1 1
## 619 1061990 4 1 1 1 2
## 620 1073836 5 1 1 1 2
## 621 1083817 3 1 1 1 2
## 622 1096352 6 3 3 3 3
## 623 1140597 7 1 2 3 2
## 624 1149548 1 1 1 1 2
## 625 1174009 5 1 1 2 1
## 626 1183596 3 1 3 1 3
## 627 1190386 4 6 6 5 7
## 628 1190546 2 1 1 1 2
## 629 1213273 2 1 1 1 2
## 630 1218982 4 1 1 1 2
## 631 1225382 6 2 3 1 2
## 632 1235807 5 1 1 1 2
## 633 1238777 1 1 1 1 2
## 634 1253955 8 7 4 4 5
## 635 1257366 3 1 1 1 2
## 636 1260659 3 1 4 1 2
## 637 1268952 10 10 7 8 7
## 638 1275807 4 2 4 3 2
## 639 1277792 4 1 1 1 2
## 640 1277792 5 1 1 3 2
## 641 1285722 4 1 1 3 2
## 642 1288608 3 1 1 1 2
## 643 1290203 3 1 1 1 2
## 644 1294413 1 1 1 1 2
## 645 1299596 2 1 1 1 2
## 646 1303489 3 1 1 1 2
## 647 1311033 1 2 2 1 2
## 648 1311108 1 1 1 3 2
## 649 1315807 5 10 10 10 10
## 650 1318671 3 1 1 1 2
## 651 1319609 3 1 1 2 3
## 652 1323477 1 2 1 3 2
## 653 1324572 5 1 1 1 2
## 654 1324681 4 1 1 1 2
## 655 1325159 3 1 1 1 2
## 656 1326892 3 1 1 1 2
## 657 1330361 5 1 1 1 2
## 658 1333877 5 4 5 1 8
## 659 1334015 7 8 8 7 3
## 660 1334667 1 1 1 1 2
## 661 1339781 1 1 1 1 2
## 662 1339781 4 1 1 1 2
## 663 13454352 1 1 3 1 2
## 664 1345452 1 1 3 1 2
## 665 1345593 3 1 1 3 2
## 666 1347749 1 1 1 1 2
## 667 1347943 5 2 2 2 2
## 668 1348851 3 1 1 1 2
## 669 1350319 5 7 4 1 6
## 670 1350423 5 10 10 8 5
## 671 1352848 3 10 7 8 5
## 672 1353092 3 2 1 2 2
## 673 1354840 2 1 1 1 2
## 674 1354840 5 3 2 1 3
## 675 1355260 1 1 1 1 2
## 676 1365075 4 1 4 1 2
## 677 1365328 1 1 2 1 2
## 678 1368267 5 1 1 1 2
## 679 1368273 1 1 1 1 2
## 680 1368882 2 1 1 1 2
## 681 1369821 10 10 10 10 5
## 682 1371026 5 10 10 10 4
## 683 1371920 5 1 1 1 2
## 684 466906 1 1 1 1 2
## 685 466906 1 1 1 1 2
## 686 534555 1 1 1 1 2
## 687 536708 1 1 1 1 2
## 688 566346 3 1 1 1 2
## 689 603148 4 1 1 1 2
## 690 654546 1 1 1 1 2
## 691 654546 1 1 1 3 2
## 692 695091 5 10 10 5 4
## 693 714039 3 1 1 1 2
## 694 763235 3 1 1 1 2
## 695 776715 3 1 1 1 3
## 696 841769 2 1 1 1 2
## 697 888820 5 10 10 3 7
## 698 897471 4 8 6 4 3
## 699 897471 4 8 8 5 4
## Bare.nuclei Bl.cromatin Normal.nucleoli Mitoses Class
## 1 1 3 1 1 benign
## 2 10 3 2 1 benign
## 3 2 3 1 1 benign
## 4 4 3 7 1 benign
## 5 1 3 1 1 benign
## 6 10 9 7 1 malignant
## 7 10 3 1 1 benign
## 8 1 3 1 1 benign
## 9 1 1 1 5 benign
## 10 1 2 1 1 benign
## 11 1 3 1 1 benign
## 12 1 2 1 1 benign
## 13 3 4 4 1 malignant
## 14 3 3 1 1 benign
## 15 9 5 5 4 malignant
## 16 1 4 3 1 malignant
## 17 1 2 1 1 benign
## 18 1 3 1 1 benign
## 19 10 4 1 2 malignant
## 20 1 3 1 1 benign
## 21 10 5 4 4 malignant
## 22 7 7 10 1 malignant
## 23 1 2 1 1 benign
## 24 <NA> 7 3 1 malignant
## 25 1 3 1 1 benign
## 26 7 3 6 1 malignant
## 27 1 2 1 1 benign
## 28 1 2 1 1 benign
## 29 1 2 1 1 benign
## 30 1 1 1 1 benign
## 31 1 2 1 1 benign
## 32 1 3 1 1 benign
## 33 5 7 4 3 malignant
## 34 1 3 1 1 benign
## 35 1 2 1 1 benign
## 36 1 2 1 1 benign
## 37 1 8 9 1 malignant
## 38 1 7 1 1 benign
## 39 10 5 6 1 malignant
## 40 7 7 5 1 malignant
## 41 <NA> 7 8 1 benign
## 42 3 6 5 2 malignant
## 43 10 7 3 3 malignant
## 44 1 3 1 1 malignant
## 45 1 8 10 1 malignant
## 46 1 2 1 2 benign
## 47 9 4 8 1 malignant
## 48 1 2 1 1 benign
## 49 1 3 1 1 benign
## 50 8 3 8 2 malignant
## 51 3 2 1 5 malignant
## 52 4 3 4 1 malignant
## 53 5 4 10 2 malignant
## 54 8 7 3 7 malignant
## 55 8 7 1 1 malignant
## 56 5 3 6 1 malignant
## 57 6 3 9 1 malignant
## 58 1 5 4 4 malignant
## 59 10 5 1 1 malignant
## 60 2 5 1 1 malignant
## 61 3 4 10 1 malignant
## 62 2 2 1 1 benign
## 63 8 3 3 1 malignant
## 64 2 3 9 1 malignant
## 65 1 2 1 1 benign
## 66 2 4 3 10 malignant
## 67 1 3 1 1 benign
## 68 10 4 9 1 malignant
## 69 9 8 9 8 malignant
## 70 1 3 2 1 benign
## 71 1 2 1 1 benign
## 72 2 7 8 10 malignant
## 73 1 7 2 1 benign
## 74 10 4 8 1 malignant
## 75 4 3 2 3 malignant
## 76 2 4 2 1 benign
## 77 1 2 1 1 benign
## 78 1 2 1 1 benign
## 79 3 3 1 1 benign
## 80 1 2 1 1 benign
## 81 1 7 1 1 benign
## 82 1 2 1 1 benign
## 83 1 3 1 1 benign
## 84 2 7 1 1 benign
## 85 9 7 10 7 malignant
## 86 4 4 10 10 malignant
## 87 8 4 4 1 malignant
## 88 10 6 8 3 malignant
## 89 1 3 1 1 benign
## 90 1 2 1 1 benign
## 91 1 3 1 1 benign
## 92 1 1 1 1 benign
## 93 1 3 1 1 benign
## 94 1 2 1 1 benign
## 95 1 3 1 1 benign
## 96 1 3 1 1 benign
## 97 1 1 1 1 benign
## 98 1 3 1 1 benign
## 99 6 2 9 10 malignant
## 100 10 7 9 4 malignant
## 101 5 3 10 2 malignant
## 102 5 2 5 1 malignant
## 103 1 3 1 1 benign
## 104 3 7 1 1 malignant
## 105 1 8 8 8 malignant
## 106 3 3 2 7 malignant
## 107 10 4 1 1 malignant
## 108 10 5 7 1 malignant
## 109 1 2 3 1 benign
## 110 9 7 8 3 malignant
## 111 2 5 3 2 benign
## 112 9 3 1 1 malignant
## 113 10 7 3 3 malignant
## 114 8 8 1 1 malignant
## 115 3 3 1 1 benign
## 116 5 1 1 1 benign
## 117 2 3 2 1 benign
## 118 10 7 5 8 malignant
## 119 3 1 1 1 benign
## 120 2 3 1 1 benign
## 121 1 3 1 1 benign
## 122 2 3 1 1 benign
## 123 10 5 3 3 malignant
## 124 10 5 3 1 malignant
## 125 7 8 10 1 malignant
## 126 1 2 1 1 benign
## 127 10 7 5 5 malignant
## 128 1 3 1 1 benign
## 129 10 1 6 2 malignant
## 130 1 1 1 1 benign
## 131 1 2 1 1 benign
## 132 1 3 1 1 benign
## 133 10 3 6 3 malignant
## 134 1 2 2 1 benign
## 135 1 2 1 1 benign
## 136 2 3 3 1 benign
## 137 1 2 1 1 benign
## 138 1 1 1 1 benign
## 139 1 2 1 1 benign
## 140 <NA> 2 1 1 benign
## 141 1 1 1 1 benign
## 142 1 1 1 1 benign
## 143 5 4 3 3 malignant
## 144 5 1 1 1 benign
## 145 1 2 1 1 benign
## 146 <NA> 2 1 1 benign
## 147 8 4 1 1 malignant
## 148 2 2 1 1 benign
## 149 1 5 8 1 benign
## 150 10 7 8 7 malignant
## 151 1 3 1 1 benign
## 152 10 5 4 3 malignant
## 153 5 8 10 1 malignant
## 154 3 1 1 1 benign
## 155 1 1 1 1 benign
## 156 10 3 1 1 malignant
## 157 1 2 1 1 benign
## 158 1 3 1 1 benign
## 159 <NA> 1 1 1 benign
## 160 10 7 10 6 malignant
## 161 10 5 7 2 malignant
## 162 1 3 2 1 benign
## 163 1 3 1 1 benign
## 164 3 1 1 7 benign
## 165 <NA> 3 1 1 benign
## 166 2 3 2 1 benign
## 167 10 3 10 3 malignant
## 168 1 3 1 10 malignant
## 169 1 3 1 1 benign
## 170 1 1 1 1 benign
## 171 1 1 1 1 benign
## 172 1 3 1 1 benign
## 173 1 2 1 1 benign
## 174 10 10 10 7 malignant
## 175 10 6 1 1 malignant
## 176 10 5 7 1 malignant
## 177 1 3 1 1 benign
## 178 1 5 10 3 malignant
## 179 1 3 1 1 benign
## 180 10 3 1 1 malignant
## 181 1 3 1 1 benign
## 182 1 1 1 1 benign
## 183 1 3 1 1 benign
## 184 10 7 8 1 malignant
## 185 10 5 1 1 malignant
## 186 1 3 1 1 benign
## 187 8 7 10 1 malignant
## 188 10 7 7 10 malignant
## 189 8 9 10 1 malignant
## 190 1 3 1 1 benign
## 191 8 7 10 1 malignant
## 192 10 4 10 3 malignant
## 193 1 2 1 1 benign
## 194 1 3 1 1 benign
## 195 1 3 1 1 benign
## 196 1 3 1 1 benign
## 197 7 7 8 2 benign
## 198 1 3 1 1 benign
## 199 1 1 1 1 benign
## 200 1 2 1 1 benign
## 201 10 7 8 3 malignant
## 202 10 8 1 1 malignant
## 203 1 3 1 1 benign
## 204 1 3 1 1 benign
## 205 1 3 1 1 benign
## 206 10 7 10 5 malignant
## 207 5 3 5 1 malignant
## 208 1 3 1 1 benign
## 209 1 3 1 1 benign
## 210 1 3 1 1 benign
## 211 10 8 10 6 malignant
## 212 8 7 7 1 malignant
## 213 1 3 1 1 benign
## 214 10 7 10 4 malignant
## 215 10 10 6 1 malignant
## 216 5 5 10 2 malignant
## 217 1 2 1 1 benign
## 218 1 3 1 1 benign
## 219 4 8 10 2 malignant
## 220 1 3 1 1 benign
## 221 1 3 1 1 benign
## 222 10 9 10 1 malignant
## 223 5 2 1 1 malignant
## 224 8 7 4 1 malignant
## 225 10 7 9 2 malignant
## 226 1 2 1 1 benign
## 227 10 8 9 1 malignant
## 228 5 7 7 1 malignant
## 229 1 3 1 1 benign
## 230 10 9 10 1 malignant
## 231 7 7 6 1 malignant
## 232 8 8 9 2 malignant
## 233 1 4 3 1 benign
## 234 10 4 1 1 malignant
## 235 1 3 6 1 benign
## 236 <NA> 3 1 1 benign
## 237 10 4 8 10 malignant
## 238 2 4 10 4 malignant
## 239 9 3 10 10 malignant
## 240 10 5 3 2 malignant
## 241 2 2 3 1 benign
## 242 1 3 1 1 benign
## 243 1 3 1 1 benign
## 244 5 5 1 1 benign
## 245 1 3 1 1 benign
## 246 2 3 1 1 benign
## 247 10 7 8 1 malignant
## 248 9 3 3 1 malignant
## 249 1 3 6 1 benign
## 250 <NA> 3 1 1 benign
## 251 1 1 1 1 benign
## 252 10 5 3 3 malignant
## 253 10 3 5 3 benign
## 254 10 7 3 3 malignant
## 255 8 3 3 1 malignant
## 256 10 3 6 1 malignant
## 257 1 1 1 1 benign
## 258 1 2 1 1 benign
## 259 1 3 1 1 benign
## 260 8 3 4 1 benign
## 261 10 5 1 3 malignant
## 262 10 10 6 5 malignant
## 263 10 7 8 1 malignant
## 264 10 5 5 1 malignant
## 265 3 5 3 3 malignant
## 266 1 3 2 1 benign
## 267 10 4 3 2 malignant
## 268 10 7 1 1 malignant
## 269 4 8 7 8 malignant
## 270 1 3 1 1 benign
## 271 10 3 9 2 malignant
## 272 1 3 1 1 benign
## 273 10 7 1 1 malignant
## 274 4 3 3 1 malignant
## 275 1 3 2 1 benign
## 276 <NA> 2 1 1 benign
## 277 1 2 1 1 benign
## 278 1 2 1 1 benign
## 279 1 3 1 1 benign
## 280 7 3 3 8 malignant
## 281 1 3 1 1 benign
## 282 1 3 1 1 benign
## 283 10 5 6 1 malignant
## 284 10 5 3 1 malignant
## 285 10 3 8 2 malignant
## 286 10 10 7 3 malignant
## 287 10 4 10 10 malignant
## 288 1 2 1 1 benign
## 289 5 5 10 1 malignant
## 290 10 4 10 4 malignant
## 291 1 1 1 1 benign
## 292 1 3 1 1 benign
## 293 <NA> 6 10 1 malignant
## 294 10 2 3 1 malignant
## 295 <NA> 2 1 1 benign
## 296 10 7 4 1 malignant
## 297 5 4 7 1 benign
## 298 <NA> 2 3 1 benign
## 299 1 1 1 1 benign
## 300 10 7 7 2 malignant
## 301 4 7 10 1 malignant
## 302 1 3 1 1 benign
## 303 10 7 10 10 malignant
## 304 1 3 1 1 benign
## 305 10 3 3 1 malignant
## 306 10 3 10 4 malignant
## 307 1 3 1 1 benign
## 308 1 3 1 1 benign
## 309 3 8 8 4 malignant
## 310 5 5 1 1 benign
## 311 1 2 1 1 benign
## 312 1 1 1 1 benign
## 313 1 3 5 1 malignant
## 314 1 1 1 1 benign
## 315 1 2 1 1 benign
## 316 <NA> 4 9 1 benign
## 317 10 4 3 1 malignant
## 318 8 8 9 1 malignant
## 319 1 3 1 1 benign
## 320 5 7 3 1 benign
## 321 10 7 4 6 malignant
## 322 <NA> 3 1 1 benign
## 323 1 3 1 1 benign
## 324 10 4 1 1 malignant
## 325 1 3 1 1 benign
## 326 1 2 3 1 benign
## 327 10 5 4 1 malignant
## 328 1 2 1 1 benign
## 329 4 3 10 1 malignant
## 330 10 7 1 1 malignant
## 331 8 6 1 1 malignant
## 332 1 3 1 2 benign
## 333 1 2 2 1 benign
## 334 10 4 3 1 malignant
## 335 10 3 4 2 malignant
## 336 1 1 1 1 benign
## 337 10 3 4 1 malignant
## 338 1 3 1 1 benign
## 339 1 2 1 1 benign
## 340 10 4 3 1 malignant
## 341 10 7 6 1 malignant
## 342 1 3 1 1 benign
## 343 1 1 1 1 benign
## 344 1 1 1 1 benign
## 345 10 9 5 3 malignant
## 346 1 1 1 1 benign
## 347 1 1 3 1 benign
## 348 1 1 3 1 benign
## 349 1 3 3 1 malignant
## 350 8 7 6 1 malignant
## 351 1 1 1 1 benign
## 352 1 3 1 1 benign
## 353 3 4 6 1 benign
## 354 10 4 9 4 malignant
## 355 1 2 1 1 benign
## 356 1 2 2 1 benign
## 357 3 3 3 3 malignant
## 358 10 7 3 8 malignant
## 359 4 4 10 3 malignant
## 360 7 3 5 3 malignant
## 361 10 8 10 10 malignant
## 362 10 5 1 4 malignant
## 363 3 2 1 1 benign
## 364 3 2 1 1 benign
## 365 1 3 1 1 benign
## 366 1 2 1 1 benign
## 367 10 7 10 7 malignant
## 368 10 8 10 3 malignant
## 369 1 1 1 1 benign
## 370 1 2 1 1 benign
## 371 1 2 1 1 benign
## 372 1 1 1 1 benign
## 373 1 2 1 1 benign
## 374 1 2 1 1 benign
## 375 1 2 1 1 benign
## 376 1 1 1 1 benign
## 377 1 2 1 1 benign
## 378 1 2 1 1 benign
## 379 1 2 2 1 benign
## 380 1 3 1 1 benign
## 381 1 1 1 1 benign
## 382 10 7 8 4 malignant
## 383 1 3 2 1 benign
## 384 1 1 1 1 benign
## 385 1 1 1 1 benign
## 386 1 1 2 3 benign
## 387 10 7 1 1 malignant
## 388 1 3 1 1 benign
## 389 1 2 2 1 benign
## 390 2 2 2 1 benign
## 391 1 2 1 1 benign
## 392 10 7 9 1 malignant
## 393 1 2 1 1 benign
## 394 1 1 1 1 benign
## 395 1 2 1 1 benign
## 396 1 2 1 1 benign
## 397 1 3 1 1 benign
## 398 1 1 1 1 benign
## 399 1 2 2 1 benign
## 400 1 1 1 1 benign
## 401 9 9 3 8 malignant
## 402 1 1 1 1 benign
## 403 1 2 1 1 benign
## 404 4 1 1 1 benign
## 405 1 1 2 1 benign
## 406 1 2 1 1 benign
## 407 1 2 1 1 benign
## 408 1 2 1 1 benign
## 409 2 3 1 1 benign
## 410 1 2 1 1 benign
## 411 1 2 1 1 benign
## 412 <NA> 2 1 1 benign
## 413 4 8 5 1 malignant
## 414 1 3 1 1 benign
## 415 10 6 6 1 malignant
## 416 3 3 5 1 benign
## 417 10 7 2 1 malignant
## 418 1 2 1 1 benign
## 419 2 3 2 2 benign
## 420 1 1 1 1 benign
## 421 3 3 1 1 benign
## 422 10 8 2 1 malignant
## 423 1 3 3 1 benign
## 424 1 2 1 1 benign
## 425 1 1 1 1 benign
## 426 10 10 10 1 malignant
## 427 1 1 1 1 benign
## 428 2 5 10 1 malignant
## 429 1 2 1 1 benign
## 430 1 2 1 1 benign
## 431 1 2 2 1 benign
## 432 1 3 2 1 benign
## 433 1 2 2 1 benign
## 434 1 1 1 1 benign
## 435 8 4 2 1 benign
## 436 10 5 1 1 malignant
## 437 1 2 8 1 malignant
## 438 1 1 1 1 benign
## 439 1 1 1 1 benign
## 440 1 1 1 1 benign
## 441 10 10 1 1 malignant
## 442 4 1 1 1 benign
## 443 3 1 1 1 benign
## 444 2 1 1 1 benign
## 445 1 2 1 1 benign
## 446 1 1 1 1 benign
## 447 1 1 1 1 benign
## 448 1 1 1 1 benign
## 449 1 1 1 1 benign
## 450 10 8 10 1 malignant
## 451 1 2 1 1 benign
## 452 1 1 1 1 benign
## 453 1 1 1 1 benign
## 454 10 10 7 1 malignant
## 455 1 1 1 1 benign
## 456 6 1 1 2 malignant
## 457 10 8 6 1 malignant
## 458 3 10 10 1 malignant
## 459 1 1 1 1 benign
## 460 1 1 1 1 benign
## 461 1 1 1 1 benign
## 462 5 1 1 1 benign
## 463 1 1 1 1 benign
## 464 1 1 2 1 benign
## 465 1 1 1 1 benign
## 466 4 7 10 3 malignant
## 467 10 9 7 1 malignant
## 468 10 7 6 2 malignant
## 469 1 1 1 1 benign
## 470 1 2 1 1 benign
## 471 1 2 1 1 benign
## 472 1 1 1 1 benign
## 473 1 1 1 1 benign
## 474 1 1 1 1 benign
## 475 1 1 1 1 benign
## 476 1 1 1 1 benign
## 477 1 1 1 1 benign
## 478 1 1 1 1 benign
## 479 1 1 1 1 benign
## 480 10 7 5 1 malignant
## 481 1 1 1 1 benign
## 482 1 1 1 1 benign
## 483 5 10 10 10 malignant
## 484 10 9 10 1 malignant
## 485 1 1 1 1 benign
## 486 3 1 1 1 benign
## 487 1 2 1 1 benign
## 488 10 8 1 5 malignant
## 489 3 3 4 1 malignant
## 490 4 4 1 1 malignant
## 491 1 1 1 1 benign
## 492 10 7 1 1 malignant
## 493 1 2 1 1 benign
## 494 10 6 5 2 malignant
## 495 5 2 1 1 benign
## 496 1 2 1 1 benign
## 497 1 1 1 1 benign
## 498 1 1 1 1 benign
## 499 1 2 1 1 benign
## 500 1 2 1 1 benign
## 501 1 3 1 1 benign
## 502 1 2 1 1 benign
## 503 1 2 1 1 benign
## 504 1 3 1 1 benign
## 505 1 1 1 1 benign
## 506 1 1 1 1 benign
## 507 5 4 8 7 malignant
## 508 4 1 1 1 benign
## 509 1 1 1 1 benign
## 510 1 1 1 1 benign
## 511 1 1 1 1 benign
## 512 1 2 1 1 benign
## 513 1 1 1 1 benign
## 514 1 2 1 1 benign
## 515 10 8 10 2 malignant
## 516 10 9 10 1 malignant
## 517 1 1 1 1 benign
## 518 1 2 1 1 benign
## 519 1 1 1 1 benign
## 520 10 9 1 1 malignant
## 521 1 1 1 1 benign
## 522 1 1 1 1 benign
## 523 5 7 3 1 malignant
## 524 10 5 3 1 malignant
## 525 1 2 1 1 benign
## 526 1 1 1 1 benign
## 527 1 1 1 1 benign
## 528 1 3 1 1 benign
## 529 1 1 1 1 benign
## 530 1 2 1 1 benign
## 531 10 6 9 1 malignant
## 532 1 2 1 1 benign
## 533 1 3 1 1 benign
## 534 1 2 1 1 benign
## 535 1 2 1 1 benign
## 536 1 3 1 1 benign
## 537 1 3 1 1 benign
## 538 1 3 1 1 benign
## 539 1 2 1 1 benign
## 540 1 2 1 1 benign
## 541 2 2 1 1 benign
## 542 1 1 1 1 benign
## 543 1 1 1 1 benign
## 544 1 2 1 1 benign
## 545 1 2 1 1 benign
## 546 1 2 1 1 benign
## 547 10 7 10 1 malignant
## 548 1 1 1 1 benign
## 549 1 1 1 1 benign
## 550 5 7 8 2 malignant
## 551 1 2 1 1 benign
## 552 1 3 1 1 benign
## 553 1 4 2 1 benign
## 554 5 2 1 2 benign
## 555 1 1 1 1 benign
## 556 1 4 8 1 benign
## 557 1 2 1 1 benign
## 558 1 1 1 1 benign
## 559 1 2 1 1 benign
## 560 1 2 1 1 benign
## 561 1 3 1 1 benign
## 562 1 3 1 1 benign
## 563 1 3 1 1 benign
## 564 1 2 1 1 benign
## 565 1 3 2 1 benign
## 566 10 10 10 1 malignant
## 567 1 3 1 1 benign
## 568 3 2 1 1 benign
## 569 10 2 5 2 malignant
## 570 5 10 3 1 malignant
## 571 10 8 2 1 malignant
## 572 10 9 10 2 malignant
## 573 1 2 1 1 benign
## 574 1 2 1 1 benign
## 575 2 7 7 1 malignant
## 576 1 3 1 1 benign
## 577 1 2 1 1 benign
## 578 1 2 1 1 benign
## 579 1 2 1 1 benign
## 580 1 3 1 1 benign
## 581 1 2 1 1 benign
## 582 10 7 5 1 malignant
## 583 10 6 10 1 malignant
## 584 1 1 1 1 benign
## 585 1 1 1 1 benign
## 586 1 1 1 1 benign
## 587 10 10 10 1 malignant
## 588 1 2 2 1 benign
## 589 3 4 1 1 malignant
## 590 1 1 1 1 benign
## 591 1 10 1 1 malignant
## 592 10 7 6 1 malignant
## 593 10 4 1 1 malignant
## 594 1 1 1 1 benign
## 595 10 7 1 1 malignant
## 596 1 2 1 1 benign
## 597 1 2 1 1 benign
## 598 1 3 1 1 benign
## 599 1 2 1 1 benign
## 600 1 1 1 1 benign
## 601 1 2 1 1 benign
## 602 1 2 1 1 benign
## 603 1 2 1 1 benign
## 604 1 8 10 1 malignant
## 605 10 8 1 2 malignant
## 606 8 7 8 3 malignant
## 607 1 1 1 1 benign
## 608 1 1 1 1 benign
## 609 10 10 1 1 malignant
## 610 1 1 1 1 benign
## 611 10 7 1 2 malignant
## 612 2 8 5 1 malignant
## 613 10 10 10 10 malignant
## 614 1 2 1 1 benign
## 615 1 2 1 1 benign
## 616 1 2 1 1 benign
## 617 1 2 1 1 benign
## 618 <NA> 1 1 1 benign
## 619 1 2 1 1 benign
## 620 1 2 1 1 benign
## 621 1 2 1 1 benign
## 622 2 6 1 1 benign
## 623 1 2 1 1 benign
## 624 1 1 1 1 benign
## 625 1 2 1 1 benign
## 626 4 1 1 1 benign
## 627 6 7 7 3 malignant
## 628 5 1 1 1 benign
## 629 1 1 1 1 benign
## 630 1 1 1 1 benign
## 631 1 1 1 1 benign
## 632 1 2 1 1 benign
## 633 1 1 1 1 benign
## 634 3 5 10 1 malignant
## 635 1 1 1 1 benign
## 636 1 1 1 1 benign
## 637 1 10 10 3 malignant
## 638 2 2 1 1 benign
## 639 1 1 1 1 benign
## 640 1 1 1 1 benign
## 641 1 1 1 1 benign
## 642 1 2 1 1 benign
## 643 1 2 1 1 benign
## 644 1 1 1 1 benign
## 645 1 1 1 1 benign
## 646 1 2 1 1 benign
## 647 1 1 1 1 benign
## 648 1 1 1 1 benign
## 649 2 10 10 10 malignant
## 650 1 2 1 1 benign
## 651 4 1 1 1 benign
## 652 1 2 1 1 benign
## 653 1 2 2 1 benign
## 654 1 2 1 1 benign
## 655 1 3 1 1 benign
## 656 1 2 1 1 benign
## 657 1 2 1 1 benign
## 658 1 3 6 1 benign
## 659 10 7 2 3 malignant
## 660 1 1 1 1 benign
## 661 1 2 1 1 benign
## 662 1 3 1 1 benign
## 663 1 2 1 1 benign
## 664 1 2 1 1 benign
## 665 1 2 1 1 benign
## 666 1 1 1 1 benign
## 667 1 1 1 2 benign
## 668 1 3 1 1 benign
## 669 1 7 10 3 malignant
## 670 5 7 10 1 malignant
## 671 8 7 4 1 malignant
## 672 1 3 1 1 benign
## 673 1 3 1 1 benign
## 674 1 1 1 1 benign
## 675 1 2 1 1 benign
## 676 1 1 1 1 benign
## 677 1 2 1 1 benign
## 678 1 1 1 1 benign
## 679 1 1 1 1 benign
## 680 1 1 1 1 benign
## 681 10 10 10 7 malignant
## 682 10 5 6 3 malignant
## 683 1 3 2 1 benign
## 684 1 1 1 1 benign
## 685 1 1 1 1 benign
## 686 1 1 1 1 benign
## 687 1 1 1 1 benign
## 688 1 2 3 1 benign
## 689 1 1 1 1 benign
## 690 1 1 1 8 benign
## 691 1 1 1 1 benign
## 692 5 4 4 1 malignant
## 693 1 1 1 1 benign
## 694 1 2 1 2 benign
## 695 2 1 1 1 benign
## 696 1 1 1 1 benign
## 697 3 8 10 2 malignant
## 698 4 10 6 1 malignant
## 699 5 10 4 1 malignantPada tahap awal penyelesaian batasan masalah, dilakukan pemanggilan
library mlbench, ipred, dan caret
yang diperlukan dalam penerapan metode Bagging. Package
mlbench menyediakan dataset BreastCancer,
ipred digunakan untuk membangun model Bagging,
sedangkan caret digunakan dalam proses pemodelan dan
evaluasi model klasifikasi.
Langkah selanjutnya dilakukan pemanggilan dataset
BreastCancer. Dataset ini terdiri atas 699
pengamatan dan 11 variabel, dengan Class sebagai variabel
target yang memiliki dua kategori, yaitu benign dan
malignant. Sembilan variabel karakteristik sel digunakan
sebagai prediktor, sedangkan Id berfungsi sebagai identitas yang mana
tidak digunakan dalam pemodelan.
## 'data.frame': 699 obs. of 11 variables:
## $ Id : chr "1000025" "1002945" "1015425" "1016277" ...
## $ Cl.thickness : Ord.factor w/ 10 levels "1"<"2"<"3"<"4"<..: 5 5 3 6 4 8 1 2 2 4 ...
## $ Cell.size : Ord.factor w/ 10 levels "1"<"2"<"3"<"4"<..: 1 4 1 8 1 10 1 1 1 2 ...
## $ Cell.shape : Ord.factor w/ 10 levels "1"<"2"<"3"<"4"<..: 1 4 1 8 1 10 1 2 1 1 ...
## $ Marg.adhesion : Ord.factor w/ 10 levels "1"<"2"<"3"<"4"<..: 1 5 1 1 3 8 1 1 1 1 ...
## $ Epith.c.size : Ord.factor w/ 10 levels "1"<"2"<"3"<"4"<..: 2 7 2 3 2 7 2 2 2 2 ...
## $ Bare.nuclei : Factor w/ 10 levels "1","2","3","4",..: 1 10 2 4 1 10 10 1 1 1 ...
## $ Bl.cromatin : Factor w/ 10 levels "1","2","3","4",..: 3 3 3 3 3 9 3 3 1 2 ...
## $ Normal.nucleoli: Factor w/ 10 levels "1","2","3","4",..: 1 2 1 7 1 7 1 1 1 1 ...
## $ Mitoses : Factor w/ 9 levels "1","2","3","4",..: 1 1 1 1 1 1 1 1 5 1 ...
## $ Class : Factor w/ 2 levels "benign","malignant": 1 1 1 1 1 2 1 1 1 1 ...## [1] 699 11## Id Cl.thickness Cell.size Cell.shape Marg.adhesion Epith.c.size
## 1 1000025 5 1 1 1 2
## 2 1002945 5 4 4 5 7
## 3 1015425 3 1 1 1 2
## 4 1016277 6 8 8 1 3
## 5 1017023 4 1 1 3 2
## 6 1017122 8 10 10 8 7
## Bare.nuclei Bl.cromatin Normal.nucleoli Mitoses Class
## 1 1 3 1 1 benign
## 2 10 3 2 1 benign
## 3 2 3 1 1 benign
## 4 4 3 7 1 benign
## 5 1 3 1 1 benign
## 6 10 9 7 1 malignant## Id Cl.thickness Cell.size Cell.shape Marg.adhesion
## Length :699 1 :145 1 :384 1 :353 1 :407
## N.unique :645 5 :130 10 : 67 2 : 59 2 : 58
## N.blank : 0 3 :108 3 : 52 10 : 58 3 : 58
## Min.nchar: 5 4 : 80 2 : 45 3 : 56 10 : 55
## Max.nchar: 8 10 : 69 4 : 40 4 : 44 4 : 33
## 2 : 50 5 : 30 5 : 34 8 : 25
## (Other):117 (Other): 81 (Other): 95 (Other): 63
## Epith.c.size Bare.nuclei Bl.cromatin Normal.nucleoli Mitoses
## 2 :386 1 :402 2 :166 1 :443 1 :579
## 3 : 72 10 :132 3 :165 10 : 61 2 : 35
## 4 : 48 2 : 30 1 :152 3 : 44 3 : 33
## 1 : 47 5 : 30 7 : 73 2 : 36 10 : 14
## 6 : 41 3 : 28 4 : 40 8 : 24 4 : 12
## 5 : 39 (Other): 61 5 : 34 6 : 22 7 : 9
## (Other): 66 NAs : 16 (Other): 69 (Other): 69 (Other): 17
## Class
## benign :458
## malignant:241
##
##
##
##
## ##
## benign malignant
## 458 241##
## benign malignant
## 65.52 34.48Tahap selanjutnya adalah eksplorasi data. Pada tahapan ini dilakukan
untuk mengetahui struktur, ukuran, dan karakteristik dataset
BreastCancer. Berdasarkan hasil, dataset terdiri atas 699
pengamatan dan 11 variabel. Hasil ringkasan data menunjukkan bahwa
variabel Bare.nuclei memiliki 16 missing value,
sehingga perlu dilakukan penanganan sebelum pemodelan. Selain itu,
variabel Id memiliki 645 nilai unik dan berfungsi sebagai
identitas pengamatan, bukan sebagai prediktor dalam model. Kemudian,
dilakukan pemeriksaan distribusi kelas pada variabel Class.
Hasilnya menunjukkan bahwa terdapat 458 pengamatan (65,52%) pada kelas
benign dan 241 pengamatan (34,48%) pada kelas
malignant. Distribusi tersebut menunjukkan bahwa jumlah
pengamatan pada kelas benign lebih banyak dibandingkan kelas
malignant, sehingga data memiliki distribusi kelas yang tidak
seimbang. Informasi ini menjadi pertimbangan dalam proses pemodelan dan
evaluasi kinerja metode Bagging.
# Menghapus kolom ID
data$Id <- NULL
data$Bare.nuclei <- as.numeric(as.character(data$Bare.nuclei))
#Pemeriksaan
cat("Jumlah missing value per kolom:\n")## Jumlah missing value per kolom:## Cl.thickness Cell.size Cell.shape Marg.adhesion Epith.c.size
## 0 0 0 0 0
## Bare.nuclei Bl.cromatin Normal.nucleoli Mitoses Class
## 16 0 0 0 0##
## Total missing value : 16## Jumlah baris dengan NA : 16## Persentase baris dengan NA : 2.29 %#Penanganan Missing Value
data <- na.omit(data)
cat("Jumlah observasi setelah penanganan NA:", nrow(data), "\n")## Jumlah observasi setelah penanganan NA: 683Pada tahap selanjutnya, kolom Id dihapus karena hanya
berfungsi sebagai identitas pengamatan, kemudian variabel
Bare.nuclei dikonversi menjadi numerik agar dapat digunakan
dalam proses analisis. Hasil pemeriksaan menunjukkan terdapat 16
missing value pada variabel Bare.nuclei, yang
mencakup 2,29% dari total pengamatan. Penanganan dilakukan menggunakan
fungsi na.omit()i dengan menghapus pengamatan yang
mengandung nilai hilang. Setelah proses tersebut, jumlah data berkurang
dari 699 menjadi 683 pengamatan sehingga dataset siap digunakan
untuk tahap pemodelan selanjutnya.
# Mengatur Kelas (positif = malignant)
data$Class <- factor(data$Class, levels = c("benign", "malignant"))
table(data$Class)##
## benign malignant
## 444 239# Splitting Data (70:30)
set.seed(234)
index <- createDataPartition(data$Class, p = 0.7, list = FALSE)
train <- data[index, ]
test <- data[-index, ]
cat("Data latih:", nrow(train), "| Data uji:", nrow(test), "\n")## Data latih: 479 | Data uji: 204Pada tahap ini, variabel Class diatur sebagai variabel
faktor dengan urutan kelas benign dan malignant,
dengan malignant sebagai kelas positif dalam evaluasi model. Berdasarkan
hasil pemeriksaan, dataset terdiri atas 444 pengamatan kelas
benign dan 239 pengamatan kelas malignant.
Selanjutnya, data dibagi menjadi data latih dan data uji dengan proporsi
70:30 menggunakan fungsi createDataPartition() dari
package caret, dengan seed sebesar
234 agar pembagian data dapat direproduksi. Hasil pembagian menghasilkan
479 pengamatan sebagai data latih dan 204 pengamatan sebagai data uji.
Data latih digunakan untuk membangun model Bagging, sedangkan
data uji digunakan untuk mengevaluasi kinerja model pada data yang tidak
digunakan selama proses pelatihan.
nbagg_list <- c(25, 50, 100)
hasil_evaluasi <- data.frame()
for (n in nbagg_list) {
# Membuat model
set.seed(234)
model <- bagging(Class ~ ., data = train, nbagg = n, coob = TRUE)
# Prediksi data uji
prediksi <- predict(model, newdata = test)
# Confusion matrix
cm <- table(
Aktual = factor(test$Class, levels = c("benign", "malignant")),
Prediksi = factor(prediksi, levels = c("benign", "malignant"))
)
print(paste("Confusion Matrix nbagg =", n))
print(cm)
# Mengambil nilai confusion matrix
TN <- cm["benign", "benign"]
FP <- cm["benign", "malignant"]
FN <- cm["malignant", "benign"]
TP <- cm["malignant", "malignant"]
# Menghitung metrik evaluasi
accuracy <- (TP + TN) / sum(cm)
precision <- ifelse(TP + FP == 0, NA, TP / (TP + FP))
recall <- ifelse(TP + FN == 0, NA, TP / (TP + FN))
specificity <- ifelse(TN + FP == 0, NA, TN / (TN + FP))
f1_score <- ifelse(is.na(precision) || is.na(recall) ||
precision + recall == 0, NA,
2 * precision * recall / (precision + recall))
# Menyimpan hasil
hasil_evaluasi <- rbind(
hasil_evaluasi,
data.frame(
nbagg = n,
OOB_Error = model$err,
Accuracy = accuracy,
Precision = precision,
Recall = recall,
Specificity = specificity,
F1_Score = f1_score
)
)
}## [1] "Confusion Matrix nbagg = 25"
## Prediksi
## Aktual benign malignant
## benign 130 3
## malignant 5 66
## [1] "Confusion Matrix nbagg = 50"
## Prediksi
## Aktual benign malignant
## benign 130 3
## malignant 5 66
## [1] "Confusion Matrix nbagg = 100"
## Prediksi
## Aktual benign malignant
## benign 130 3
## malignant 5 66Pemodelan Bagging dilakukan dengan variasi jumlah model
(nbagg) sebesar 25, 50, dan 100. Berdasarkan hasil
evaluasi, ketiga model menghasilkan confusion matrix yang sama,
yaitu 130 pengamatan benign dan 66 pengamatan
malignant berhasil diklasifikasikan dengan benar. Sementara
itu, terdapat 3 pengamatan benign yang diprediksi sebagai
malignant dan 5 pengamatan malignant yang diprediksi
sebagai benign. Hasil tersebut menunjukkan bahwa ketiga model
memiliki kinerja klasifikasi yang sama pada data uji, dengan akurasi
sebesar 96,08%. Oleh karena itu, penambahan jumlah model dari 25 menjadi
100 belum memberikan perubahan pada hasil prediksi terhadap data uji
yang digunakan.
## nbagg OOB_Error Accuracy Precision Recall Specificity F1_Score
## 1 25 0.0418 0.9608 0.9565 0.9296 0.9774 0.9429
## 2 50 0.0376 0.9608 0.9565 0.9296 0.9774 0.9429
## 3 100 0.0376 0.9608 0.9565 0.9296 0.9774 0.9429Berdasarkan hasil perbandingan, model Bagging dengan jumlah model
(nbagg) sebesar 25, 50, dan 100 menghasilkan nilai
accuracy sebesar 96,08%, precision sebesar 95,65%,
recall sebesar 92,96%, specificity sebesar 97,74%, dan
F1-Score sebesar 94,29%. Seluruh metrik tersebut menunjukkan
hasil yang sama pada ketiga model. Namun, nilai OOB Error
mengalami penurunan dari 0,0418 pada nbagg = 25 menjadi
0,0376 pada nbagg = 50 dan tetap pada
nbagg = 100. Hasil ini menunjukkan bahwa penambahan jumlah
model dari 25 menjadi 50 memperbaiki estimasi kesalahan berdasarkan data
out-of-bag, sedangkan penambahan hingga 100 model tidak
menghasilkan perubahan lebih lanjut. Oleh karena itu, model dengan
nbagg = 50 dapat dipertimbangkan karena memiliki nilai
OOB Error lebih rendah dibandingkan model dengan
nbagg = 25, sementara metrik klasifikasi pada data uji
tetap sama.
Metode Bagging (Bootstrap Aggregating) merupakan teknik ensemble learning yang menggabungkan beberapa model untuk meningkatkan kestabilan prediksi. Metode ini bekerja dengan membentuk sejumlah sampel bootstrap melalui pengambilan sampel secara acak dengan pengembalian dari dataset asli. Setiap sampel digunakan untuk melatih model secara independen, kemudian hasil prediksinya digabungkan untuk menghasilkan prediksi akhir.
Implementasi metode Bagging menggunakan R dapat dilakukan
dengan memanfaatkan package ipred melalui fungsi
bagging(). Proses implementasi meliputi penyiapan data,
pembentukan model berdasarkan sampel bootstrap, serta
penggabungan hasil prediksi dari setiap model. R juga menyediakan
berbagai fungsi pendukung untuk mengolah data dan mengevaluasi hasil
pemodelan.
Evaluasi performa metode Bagging dapat dilakukan menggunakan confusion matrix dan sejumlah metrik, seperti accuracy, precision, recall, specificity, dan F1-Score. Selain itu, nilai Out-of-Bag Error (OOB Error) dapat digunakan untuk memperkirakan kesalahan model berdasarkan pengamatan yang tidak terpilih dalam sampel bootstrap tertentu. Penggunaan berbagai metrik tersebut membantu memberikan gambaran mengenai ketepatan klasifikasi dan kemampuan model dalam memprediksi setiap kelas.
Berdasarkan hasil praktikum pada dataset BreastCancer,
model Bagging dengan jumlah model 25, 50, dan 100 menghasilkan
accuracy sebesar 96,08% dan F1-Score sebesar 94,29%.
Nilai OOB Error terendah sebesar 0,0376 diperoleh pada jumlah
model 50 dan 100, sedangkan model dengan jumlah 25 menghasilkan OOB
Error sebesar 0,0418. Oleh karena itu, penambahan jumlah model dari
25 menjadi 50 menurunkan OOB Error, tetapi penambahan hingga
100 model tidak memberikan perubahan pada hasil evaluasi yang
diperoleh.
Abdullah, D., Fitri, Z., Meiyanti, R., Fajriana, & Faisal, M. (2026). Kecerdasan Komputasional. Depok: Karya Bakti Makmur (KBM) Indonesia.
Direktorat Jenderal Pendidikan Tinggi, Riset, dan Teknologi. (n.d.). Modul Ajar Kecerdasan Buatan Lanjut: Evaluasi Model Machine Learning. LMS SPADA Indonesia. https://lmsspada.kemdiktisaintek.go.id/mod/resource/view.php?id=156825
Dyasa, I. G., Umam, F., Satria, V. H., Sukri, H., & Adiputra, F. (2026). Machine Learning. Malang: Media Nusa Creative.
Fransiska, H. (2026). Modul Praktikum Machine Learning dan Modern Prediction. Bengkulu: Universitas Bengkulu.
Istiana, N., & Mustafiril, A. (2023). Perbandingan Metode Klasifikasi pada Data dengan Imbalance Class dan Missing Value. Jurnal Informatika, 101-108.
Pristyanto, Y., & Zein, A. A. (2023). Model Balanced Bagging Berbasis Decision Tree pada Dataset Imbalanced Class. Jurnal Sistem Informasi dan Komputer, 9-15.
Saputri, T. A., Firmansyah, A. U., & Purnomo, H. (2025). Menguasai Teknik Dasar Machine Learning. Banyumas: Wawasan Ilmu.
Sepbriant, G. D., & Utomo, D. W. (2024). Ensemble Learning pada Kategorisasi Produk E-Commerce Menggunakan Teknik Boosting. JISKA (Jurnal Informatika Sunan Kalijaga), 123-133.
Syukron, M., Santoso, R., & Widiharih, T. (2020). Perbandingan Metode Smote Random Forest dan Smote Xgboost untuk Klasifikasi Tingkat Penyakit Hepatitis C pada Imbalance Class Data. Jurnal Gaussian, 227-236.