LAPORAN PRAKTIKUM MACHINE LEARNING AND MODERN PREDICTION PERTEMUAN 7
Arum Pujiastuti
2026-11-13
BAB I PENDAHULUAN
1.1 Latar Belakang
Perkembangan teknologi informasi telah mendorong peningkatan jumlah data yang dihasilkan dalam berbagai bidang kehidupan. Data tersebut dapat dimanfaatkan untuk memperoleh informasi dan mendukung proses pengambilan keputusan melalui penerapan machine learning. Salah satu teknik dalam machine learning adalah klasifikasi, yaitu proses pengelompokan data ke dalam kelas tertentu berdasarkan karakteristik atau atribut yang dimiliki. Salah satu algoritma yang dapat digunakan untuk menyelesaikan permasalahan klasifikasi adalah K-Nearest Neighbor (K-NN).Menurut Halder et al. (2024), K-NN merupakan algoritma klasifikasi yang menentukan kelas suatu objek berdasarkan kedekatan dengan sejumlah objek lain yang memiliki karakteristik serupa.
Algoritma K-Nearest Neighbor (K-NN) bekerja dengan menentukan sejumlah \(k\) tetangga terdekat dari suatu data berdasarkan perhitungan jarak terhadap data pelatihan (training data). Salah satu metode pengukuran jarak yang umum digunakan adalah Euclidean Distance. Setelah jarak antara data pengujian (testing data) dan data pelatihan dihitung, algoritma mengurutkan jarak tersebut dari yang terkecil hingga terbesar untuk memperoleh sejumlah tetangga terdekat. Selanjutnya, kelas data baru ditentukan berdasarkan kelas mayoritas dari tetangga terdekat. Halder et al. (2024) menjelaskan bahwa pemilihan nilai \(k\), metode pengukuran jarak, serta karakteristik data merupakan faktor penting yang dapat memengaruhi kinerja algoritma K-NN.
K-NN memiliki beberapa kelebihan, yaitu konsep yang sederhana, mudah diimplementasikan, serta dapat digunakan untuk berbagai permasalahan klasifikasi. Meskipun demikian, algoritma ini juga memiliki keterbatasan, seperti sensitivitas terhadap perbedaan skala variabel, keberadaan noise, dan kebutuhan komputasi yang meningkat seiring bertambahnya jumlah data. Sabri et al. (2024) membahas pengembangan pendekatan klasifikasi yang menggabungkan pengelompokan dinamis, jarak adaptif, dan K-NN untuk meningkatkan proses klasifikasi. Sementara itu, Gunawan et al. (2024) menerapkan algoritma K-NN untuk klasifikasi pengarsipan publikasi penelitian. Kedua penelitian tersebut menunjukkan bahwa K-NN masih relevan untuk diterapkan dan dikembangkan dalam berbagai permasalahan klasifikasi.
1.2 Rumusan Masalah
- Bagaimana konsep fundamental, formulasi matematis, dan prinsip kerja algoritma K-Nearest Neighbors (k-NN) sebagai metode non-parametrik supervised learning?
- Bagaimana pentingnya penskalaan fitur (feature scaling) dalam komputasi berbasis metrik jarak (distance metrics)?
- Bagaimana mengimplementasikan algoritma KNN secara terstruktur dan mandiri menggunakan bahasa pemrograman R dengan pustaka class dan caret?
- Bagaimana mengevaluasi performa model klasifikasi menggunakan Confusion Matrix, Akurasi (Accuracy), Sensitivitas (Sensitivity), Spesifisitas (Specificity), dan Positive Predictive Value.
- Bagaimana melakukan eksplorasi optimasi hiperparameter nilai 𝑘 (hyperparameter tuning) serta memvisualisasikan kurva performanya menggunakan paket ggplot2?
1.3 Tujuan Penelitian
- Memahami konsep fundamental, formulasi matematis, dan prinsip kerja algoritma K-Nearest Neighbors (k-NN) sebagai metode non-parametrik supervised learning?
- Memahami pentingnya penskalaan fitur (feature scaling) dalam komputasi berbasis metrik jarak (distance metrics)?
- Mengimplementasikan algoritma 𝑘-NN secara terstruktur dan mandiri menggunakan bahasa pemrograman R dengan pustaka class dan caret?
- Mengevaluasi performa model klasifikasi menggunakan Confusion Matrix, Akurasi (Accuracy), Sensitivitas (Sensitivity), Spesifisitas (Specificity), dan Positive Predictive Value.
- Dapat melakukan eksplorasi optimasi hiperparameter nilai 𝑘 (hyperparameter tuning) serta memvisualisasikan kurva performanya menggunakan paket ggplot2?
1.4 Batasan Masalah
Lakukan pemodelan klasifikasi terhadap data medis riil Wisconsin Breast Cancer Database yang dimuat melalui paket mlbench. Tujuan pemodelan adalah mendeteksi secara akurat apakah tumor payudara tergolong jinak (benign) atau ganas (malignant).! Instruksi Pengerjaan
- Muat dataset dengan perintah: data(BreastCancer, package = “mlbench”).
- Lakukan tahapan pra-pemrosesan data.
- Bagi data menjadi 70% data latih dan 30% data uji dengan
inisialisasi set.seed(123XY) untuk NPM Ganjil. Sedangkan NPM Genap bagi
data menjadi 80% data latih dan 20% data uji dengan inisialisasi
set.seed(123XY).
Catatan: XY digit terakhir NPM Praktikan.
- Lakukan pemodelan klasifikasi 𝑘-NN untuk nilai 𝑘 ∈ {3,5,7,9,11}.
- Susun tabel perbandingan metrik evaluasi (Accuracy, Sensitivity, Specificity) dan simpulkan nilai 𝑘 paling optimal, dengan mempertimbangkan pentingnya meminimalkan kesalahan diagnosis sel kanker ganas (False Negative).
1.5 Manfaat Penelitian
Adapun manfaat dari pratikum kali ini adalah:
- Bagi penulis:
- Memberikan informasi serta pengetahuan mengenai konsep dasar K-Nearest Neighbors (K-NN) sebagai metode non-parametrik supervised learning.
- Mengembangkan dan menerapkan wawasan ilmu yang telah diperoleh dalam bidang statistika khususnya tentang pengetahuan K-Nearest Neighbors (K-NN) sebagai metode non-parametrik supervised learning.
- Bagi pembaca:
- Menambah pengetahuan tentang K-Nearest Neighbors (K-NN) di program RStudio.
- Menjadi rujukan untuk penelitian selanjutnya.
BAB II TINJAUAN PUSTAKA
2.1 Konsep Dasar dan Karakteristik Asimtotik 𝑘-NN
K-Nearest Neighbor (K-NN) merupakan salah satu algoritma dalam machine learning yang termasuk kategori supervised learning dan dapat digunakan untuk menyelesaikan permasalahan klasifikasi. Algoritma ini bekerja dengan mengidentifikasi sejumlah tetangga terdekat dari suatu data berdasarkan ukuran jarak tertentu. Wang dan Zhang (2022) menjelaskan bahwa kinerja metode K-NN berkaitan dengan pemilihan jumlah tetangga (\(k\)) dan penentuan tetangga yang relevan terhadap data yang akan diklasifikasikan. Oleh karena itu, pemilihan nilai \(k\) menjadi salah satu aspek penting karena dapat memengaruhi ketepatan hasil klasifikasi.
Proses klasifikasi menggunakan K-NN diawali dengan menentukan nilai \(k\), kemudian menghitung jarak antara data pengujian (testing data) dengan seluruh data pelatihan (training data). Salah satu metode pengukuran jarak yang dapat digunakan adalah Euclidean Distance. Setelah jarak dihitung, seluruh data pelatihan diurutkan berdasarkan jarak terkecil untuk memperoleh sejumlah \(k\) tetangga terdekat. Selanjutnya, kelas data baru ditentukan berdasarkan kelas mayoritas dari tetangga terdekat tersebut. Rahim et al. (2022) menjelaskan bahwa proses klasifikasi K-NN melibatkan pemilihan nilai \(k\), perhitungan jarak Euclidean, penentuan tetangga terdekat, dan penetapan kelas berdasarkan tetangga yang diperoleh.
2.2 Metrik Jarak (Distance Metrics)
Jarak antar dua titik observasi \(x = (𝑥_1,x_2,…,x_p)^T\) dan 𝑦\(y = (y_1,y_2,…,y_p)^T\) dalam ruang fitur dihitung menggunakan berbagai formulasi metrik jarak (Fransiska, 2026):
- Jarak Euclidean (\(L_2\) Norm): Metrik geometris paling umum untuk variabel bertipe numerik kontinu: \[ d(x,y)=\sqrt{\sum_{i=1}^{n}(x_i-y_i)^2} \]
- Jarak Manhattan (\(L_2\) Norm / City Block Distance): Metrik jarak berbasis jumlah selisih mutlak yang lebih tangguh terhadap keberadaan pencilan (outliers): \[ d(x,y)=\sum_{i=1}^{n}|x_i-y_i| \]
- Jarak Minkowski (\(L_m\) Norm): Generalisasi keluarga metrik \(L_𝑚\), di mana parameter \(𝑚 = 1\) menghasilkan jarak Manhattan dan \(𝑚 = 2\) menghasilkan jarak Euclidean: \[ d(x,y)=\left(\sum_{i=1}^{n}|x_i-y_i|^m\right)^{\frac{1}{m}}, \quad m\geq 1 \]
- Jarak Mahalanobis: Metrik jarak yang menginkorporasikan matriks kovarians \(𝛴\), sehingga mengoreksi korelasi antar variabel serta mengatasi perbedaan skala: \[ d(x,y)=\sqrt{(x-y)^{\top}\Sigma^{-1}(x-y)} \]
- Jarak Hamming: Ukuran ketidaksamaan yang dikhususkan untuk data bertipe biner atau kategorik kualitatif: \[ d(x,y)=\frac{1}{p}\sum_{i=1}^{p} I(x_i\neq y_i) \]
BAB III METODE PENELITIAN
3.1 Jenis dan Sumber Data
Jenis data pada penelitian ini adalah data numerik. Data numerik adalah jenis data yang terdiri dari angka dan dapat diukur atau dihitung secara kuantitatif. Data ini digunakan untuk merepresentasikan nilai atau ukuran tertentu dalam berbagai konteks, seperti sains, ekonomi, statistik, dan matematika. Data numerik sering digunakan untuk melakukan perhitungan, analisis, dan visualisasi data. Dalam laporan ini sumber data yang digunakan adalah sumber data dalam wujud data sekunder, yaitu data yang telah dikumpulkan dan disusun oleh pihak lain di luar praktikan itu sendiri. Data pada praktikum ini yaitu dataset Breast Cancer (Wisconsin Breast Cancer Database) yang tersedia di R melalui paket mlbench.
3.2 Variabel Penelitian
Variabel adalah simbol, karakteristik, atau atribut yang dapat diukur atau diamati dalam sebuah penelitian atau eksperimen. Pada laporan ini terdapat 1 batasan masalah. Variabel respons dalam penelitian ini adalah Class, yang terdiri atas dua kategori, yaitu benign dan malignant. Variabel prediktor terdiri atas sembilan karakteristik sel, yaitu ketebalan gumpalan sel (Cl.thickness), keseragaman ukuran sel (Cell.size), keseragaman bentuk sel (Cell.shape), perlekatan marginal (Marg.adhesion), ukuran sel epitel tunggal (Epith.c.size), kondisi inti sel (Bare.nuclei), struktur kromatin (Bl.cromatin), bentuk nukleolus normal (Normal.nucleoli), dan mitosis (Mitoses). Variabel Id tidak digunakan dalam pemodelan karena hanya berfungsi sebagai identitas observasi. Data yang memiliki nilai hilang pada variabel Bare.nuclei dibersihkan sebelum digunakan dalam pembentukan model ANN.
3.3 Analisis Data
Langkah-langkah yang digunakan pada penelitian untuk batasan masalah adalah sebagai berikut:
- Memuat dataset BreastCancer dan paket yang diperlukan.
- Melakukan preprocessing data, meliputi penghapusan variabel ID, mengubah sembilan variabel prediktor menjadi numerik, serta menghapus observasi yang memiliki nilai hilang (missing value).
- Melakukan normalisasi data menggunakan metode Min-Max pada sembilan variabel prediktor.
- Membagi dataset menjadi 70% data latih (training) dan 30% data uji (testing).
- Menentukan nilai \(k\) yang akan diuji, yaitu 3, 5, 7, 9, dan 11.
- Melakukan klasifikasi menggunakan algoritma K-Nearest Neighbor (K-NN) berdasarkan perhitungan jarak antara data latih dan data uji.
- Menghitung Confusion Matrix dan metrik evaluasi klasifikasi yang meliputi Accuracy, Sensitivity, dan Specificity untuk setiap nilai \(k\).
- Membandingkan hasil evaluasi dari kelima nilai \(k\) dan menentukan nilai \(k\) optimal berdasarkan Sensitivity tertinggi, kemudian Accuracy dan Specificity.
- Membuat visualisasi perbandingan nilai Accuracy, Sensitivity, dan Specificity berdasarkan setiap nilai \(k\).
BAB IV HASIL DAN PEMBAHASAN
4.1 Library dan Import Data
library(class) # Menyediakan fitur knn
library(caret) # Menghitung matriks konfusi## Loading required package: ggplot2## Loading required package: latticelibrary(ggplot2) # Plot
library(mlbench) # Menyediakan dataset
data(BreastCancer, package = "mlbench") # Memuat dataset BreastCancer
str(BreastCancer) # Menampilkan struktur variabel## '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 ...head(BreastCancer) # Menampilkan 6 observasi teratas## 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 malignanttable(BreastCancer$Class) # Memeriksa persebaran frekuensi kelas##
## benign malignant
## 458 241Intepretasi Hasil 4.1
Berdasarkan tampilan enam observasi pertama dataset
BreastCancer, terlihat bahwa setiap baris merepresentasikan
satu observasi pasien dengan 11 variabel yang terdiri atas satu variabel
identitas (Id), sembilan variabel prediktor, dan satu
variabel respons (Class). Variabel prediktor meliputi
Cl.thickness, Cell.size,
Cell.shape, Marg.adhesion,
Epith.c.size, Bare.nuclei,
Bl.cromatin, dan Normal.nucleoli, serta satu
variabel lainnya yang terlihat pada struktur lengkap dataset.
Variabel-variabel tersebut menggambarkan karakteristik sel yang
digunakan untuk membedakan kondisi tumor jinak (benign) dan
ganas (malignant). Nilai prediktor umumnya berada pada skala
1–10, sedangkan variabel Id hanya berfungsi sebagai
identitas observasi sehingga tidak digunakan dalam proses klasifikasi.
Selain itu, terdapat nilai yang tidak terisi pada beberapa variabel,
terutama Bare.nuclei, sehingga perlu dilakukan penanganan
data hilang (missing values) sebelum analisis lebih lanjut.
4.2 Menghapus variabel ID dan mengubah prediktor menjadi numerik
data_bc <- BreastCancer[, -1]
data_bc[, 1:9] <- lapply(data_bc[, 1:9], function(x) {
as.numeric(as.character(x))
})
# Menghapus data yang memiliki missing value
data_bc <- na.omit(data_bc)
data_bc## Cl.thickness Cell.size Cell.shape Marg.adhesion Epith.c.size Bare.nuclei
## 1 5 1 1 1 2 1
## 2 5 4 4 5 7 10
## 3 3 1 1 1 2 2
## 4 6 8 8 1 3 4
## 5 4 1 1 3 2 1
## 6 8 10 10 8 7 10
## 7 1 1 1 1 2 10
## 8 2 1 2 1 2 1
## 9 2 1 1 1 2 1
## 10 4 2 1 1 2 1
## 11 1 1 1 1 1 1
## 12 2 1 1 1 2 1
## 13 5 3 3 3 2 3
## 14 1 1 1 1 2 3
## 15 8 7 5 10 7 9
## 16 7 4 6 4 6 1
## 17 4 1 1 1 2 1
## 18 4 1 1 1 2 1
## 19 10 7 7 6 4 10
## 20 6 1 1 1 2 1
## 21 7 3 2 10 5 10
## 22 10 5 5 3 6 7
## 23 3 1 1 1 2 1
## 25 1 1 1 1 2 1
## 26 5 2 3 4 2 7
## 27 3 2 1 1 1 1
## 28 5 1 1 1 2 1
## 29 2 1 1 1 2 1
## 30 1 1 3 1 2 1
## 31 3 1 1 1 1 1
## 32 2 1 1 1 2 1
## 33 10 7 7 3 8 5
## 34 2 1 1 2 2 1
## 35 3 1 2 1 2 1
## 36 2 1 1 1 2 1
## 37 10 10 10 8 6 1
## 38 6 2 1 1 1 1
## 39 5 4 4 9 2 10
## 40 2 5 3 3 6 7
## 42 10 4 3 1 3 3
## 43 6 10 10 2 8 10
## 44 5 6 5 6 10 1
## 45 10 10 10 4 8 1
## 46 1 1 1 1 2 1
## 47 3 7 7 4 4 9
## 48 1 1 1 1 2 1
## 49 4 1 1 3 2 1
## 50 7 8 7 2 4 8
## 51 9 5 8 1 2 3
## 52 5 3 3 4 2 4
## 53 10 3 6 2 3 5
## 54 5 5 5 8 10 8
## 55 10 5 5 6 8 8
## 56 10 6 6 3 4 5
## 57 8 10 10 1 3 6
## 58 8 2 4 1 5 1
## 59 5 2 3 1 6 10
## 60 9 5 5 2 2 2
## 61 5 3 5 5 3 3
## 62 1 1 1 1 2 2
## 63 9 10 10 1 10 8
## 64 6 3 4 1 5 2
## 65 1 1 1 1 2 1
## 66 10 4 2 1 3 2
## 67 4 1 1 1 2 1
## 68 5 3 4 1 8 10
## 69 8 3 8 3 4 9
## 70 1 1 1 1 2 1
## 71 5 1 3 1 2 1
## 72 6 10 2 8 10 2
## 73 1 3 3 2 2 1
## 74 9 4 5 10 6 10
## 75 10 6 4 1 3 4
## 76 1 1 2 1 2 2
## 77 1 1 4 1 2 1
## 78 5 3 1 2 2 1
## 79 3 1 1 1 2 3
## 80 2 1 1 1 3 1
## 81 2 2 2 1 1 1
## 82 4 1 1 2 2 1
## 83 5 2 1 1 2 1
## 84 3 1 1 1 2 2
## 85 3 5 7 8 8 9
## 86 5 10 6 1 10 4
## 87 3 3 6 4 5 8
## 88 3 6 6 6 5 10
## 89 4 1 1 1 2 1
## 90 2 1 1 2 3 1
## 91 1 1 1 1 2 1
## 92 3 1 1 2 2 1
## 93 4 1 1 1 2 1
## 94 1 1 1 1 2 1
## 95 2 1 1 1 2 1
## 96 1 1 1 1 2 1
## 97 2 1 1 2 2 1
## 98 5 1 1 1 2 1
## 99 9 6 9 2 10 6
## 100 7 5 6 10 5 10
## 101 10 3 5 1 10 5
## 102 2 3 4 4 2 5
## 103 4 1 2 1 2 1
## 104 8 2 3 1 6 3
## 105 10 10 10 10 10 1
## 106 7 3 4 4 3 3
## 107 10 10 10 8 2 10
## 108 1 6 8 10 8 10
## 109 1 1 1 1 2 1
## 110 6 5 4 4 3 9
## 111 1 3 1 2 2 2
## 112 8 6 4 3 5 9
## 113 10 3 3 10 2 10
## 114 10 10 10 3 10 8
## 115 3 3 2 1 2 3
## 116 1 1 1 1 2 5
## 117 8 3 3 1 2 2
## 118 4 5 5 10 4 10
## 119 1 1 1 1 4 3
## 120 3 2 1 1 2 2
## 121 1 1 2 2 2 1
## 122 4 2 1 1 2 2
## 123 10 10 10 2 10 10
## 124 5 3 5 1 8 10
## 125 5 4 6 7 9 7
## 126 1 1 1 1 2 1
## 127 7 5 3 7 4 10
## 128 3 1 1 1 2 1
## 129 8 3 5 4 5 10
## 130 1 1 1 1 10 1
## 131 5 1 3 1 2 1
## 132 2 1 1 1 2 1
## 133 5 10 8 10 8 10
## 134 3 1 1 1 2 1
## 135 3 1 1 1 3 1
## 136 5 1 1 1 2 2
## 137 4 1 1 1 2 1
## 138 3 1 1 1 2 1
## 139 4 1 2 1 2 1
## 141 3 1 1 1 2 1
## 142 2 1 1 1 2 1
## 143 9 5 5 4 4 5
## 144 1 1 1 1 2 5
## 145 2 1 1 1 2 1
## 147 3 4 5 2 6 8
## 148 1 1 1 1 3 2
## 149 3 1 1 3 8 1
## 150 8 8 7 4 10 10
## 151 1 1 1 1 1 1
## 152 7 2 4 1 6 10
## 153 10 10 8 6 4 5
## 154 4 1 1 1 2 3
## 155 1 1 1 1 2 1
## 156 5 5 5 6 3 10
## 157 1 2 2 1 2 1
## 158 2 1 1 1 2 1
## 160 9 9 10 3 6 10
## 161 10 7 7 4 5 10
## 162 4 1 1 1 2 1
## 163 3 1 1 1 2 1
## 164 1 1 1 2 1 3
## 166 4 1 1 1 2 2
## 167 5 6 7 8 8 10
## 168 10 8 10 10 6 1
## 169 3 1 1 1 2 1
## 170 1 1 1 2 1 1
## 171 3 1 1 1 2 1
## 172 1 1 1 1 2 1
## 173 1 1 1 1 2 1
## 174 6 10 10 10 8 10
## 175 8 6 5 4 3 10
## 176 5 8 7 7 10 10
## 177 2 1 1 1 2 1
## 178 5 10 10 3 8 1
## 179 4 1 1 1 2 1
## 180 5 3 3 3 6 10
## 181 1 1 1 1 1 1
## 182 1 1 1 1 2 1
## 183 6 1 1 1 2 1
## 184 5 8 8 8 5 10
## 185 8 7 6 4 4 10
## 186 2 1 1 1 1 1
## 187 1 5 8 6 5 8
## 188 10 5 6 10 6 10
## 189 5 8 4 10 5 8
## 190 1 2 3 1 2 1
## 191 10 10 10 8 6 8
## 192 7 5 10 10 10 10
## 193 5 1 1 1 2 1
## 194 1 1 1 1 2 1
## 195 3 1 1 1 2 1
## 196 4 1 1 1 2 1
## 197 8 4 4 5 4 7
## 198 5 1 1 4 2 1
## 199 1 1 1 1 2 1
## 200 3 1 1 1 2 1
## 201 9 7 7 5 5 10
## 202 10 8 8 4 10 10
## 203 1 1 1 1 2 1
## 204 5 1 1 1 2 1
## 205 1 1 1 1 2 1
## 206 5 10 10 9 6 10
## 207 10 10 9 3 7 5
## 208 1 1 1 1 1 1
## 209 1 1 1 1 1 1
## 210 5 1 1 1 1 1
## 211 8 10 10 10 5 10
## 212 8 10 8 8 4 8
## 213 1 1 1 1 2 1
## 214 10 10 10 10 7 10
## 215 10 10 10 10 3 10
## 216 8 7 8 7 5 5
## 217 1 1 1 1 2 1
## 218 1 1 1 1 2 1
## 219 6 10 7 7 6 4
## 220 6 1 3 1 2 1
## 221 1 1 1 2 2 1
## 222 10 6 4 3 10 10
## 223 4 1 1 3 1 5
## 224 7 5 6 3 3 8
## 225 10 5 5 6 3 10
## 226 1 1 1 1 2 1
## 227 10 5 7 4 4 10
## 228 8 9 9 5 3 5
## 229 1 1 1 1 1 1
## 230 10 10 10 3 10 10
## 231 7 4 7 4 3 7
## 232 6 8 7 5 6 8
## 233 8 4 6 3 3 1
## 234 10 4 5 5 5 10
## 235 3 3 2 1 3 1
## 237 10 8 8 2 8 10
## 238 9 8 8 5 6 2
## 239 8 10 10 8 6 9
## 240 10 4 3 2 3 10
## 241 5 1 3 3 2 2
## 242 3 1 1 3 1 1
## 243 2 1 1 1 2 1
## 244 1 1 1 1 2 5
## 245 1 1 1 1 2 1
## 246 5 1 1 2 2 2
## 247 8 10 10 8 5 10
## 248 8 4 4 1 2 9
## 249 4 1 1 1 2 1
## 251 1 2 2 1 2 1
## 252 10 4 4 10 2 10
## 253 6 3 3 5 3 10
## 254 6 10 10 2 8 10
## 255 9 10 10 1 10 8
## 256 5 6 6 2 4 10
## 257 3 1 1 1 2 1
## 258 3 1 1 1 2 1
## 259 3 1 1 1 2 1
## 260 5 7 7 1 5 8
## 261 10 5 8 10 3 10
## 262 5 10 10 6 10 10
## 263 8 8 9 4 5 10
## 264 10 4 4 10 6 10
## 265 7 9 4 10 10 3
## 266 5 1 4 1 2 1
## 267 10 10 6 3 3 10
## 268 3 3 5 2 3 10
## 269 10 8 8 2 3 4
## 270 1 1 1 1 2 1
## 271 8 4 7 1 3 10
## 272 5 1 1 1 2 1
## 273 3 3 5 2 3 10
## 274 7 2 4 1 3 4
## 275 3 1 1 1 2 1
## 277 3 1 1 1 2 1
## 278 1 1 1 1 2 1
## 279 1 1 1 1 2 1
## 280 10 5 7 3 3 7
## 281 3 1 1 1 2 1
## 282 2 1 1 2 2 1
## 283 1 4 3 10 4 10
## 284 10 4 6 1 2 10
## 285 7 4 5 10 2 10
## 286 8 10 10 10 8 10
## 287 10 10 10 10 10 10
## 288 3 1 1 1 3 1
## 289 6 1 3 1 4 5
## 290 5 6 6 8 6 10
## 291 1 1 1 1 2 1
## 292 1 1 1 1 2 1
## 294 10 4 4 6 2 10
## 296 5 5 7 8 6 10
## 297 5 3 4 3 4 5
## 299 8 2 1 1 5 1
## 300 9 1 2 6 4 10
## 301 8 4 10 5 4 4
## 302 1 1 1 1 2 1
## 303 10 10 10 7 9 10
## 304 1 1 1 1 2 1
## 305 8 3 4 9 3 10
## 306 10 8 4 4 4 10
## 307 1 1 1 1 2 1
## 308 1 1 1 1 2 1
## 309 7 8 7 6 4 3
## 310 3 1 1 1 2 5
## 311 2 1 1 1 3 1
## 312 1 1 1 1 2 1
## 313 8 6 4 10 10 1
## 314 1 1 1 1 2 1
## 315 1 1 1 1 1 1
## 317 5 5 5 2 5 10
## 318 6 8 7 8 6 8
## 319 1 1 1 1 5 1
## 320 4 4 4 4 6 5
## 321 7 6 3 2 5 10
## 323 3 1 1 1 2 1
## 324 5 4 6 10 2 10
## 325 1 1 1 1 2 1
## 326 3 2 2 1 2 1
## 327 10 1 1 1 2 10
## 328 1 1 1 1 2 1
## 329 8 10 3 2 6 4
## 330 10 4 6 4 5 10
## 331 10 4 7 2 2 8
## 332 5 1 1 1 2 1
## 333 5 2 2 2 2 1
## 334 5 4 6 6 4 10
## 335 8 6 7 3 3 10
## 336 1 1 1 1 2 1
## 337 6 5 5 8 4 10
## 338 1 1 1 1 2 1
## 339 1 1 1 1 1 1
## 340 8 5 5 5 2 10
## 341 10 3 3 1 2 10
## 342 1 1 1 1 2 1
## 343 2 1 1 1 2 1
## 344 1 1 1 1 2 1
## 345 7 6 4 8 10 10
## 346 1 1 1 1 2 1
## 347 5 2 2 2 3 1
## 348 1 1 1 1 1 1
## 349 3 4 4 10 5 1
## 350 4 2 3 5 3 8
## 351 5 1 1 3 2 1
## 352 2 1 1 1 2 1
## 353 3 4 5 3 7 3
## 354 2 7 10 10 7 10
## 355 1 1 1 1 2 1
## 356 4 1 1 1 3 1
## 357 5 3 3 1 3 3
## 358 8 10 10 7 10 10
## 359 8 10 5 3 8 4
## 360 10 3 5 4 3 7
## 361 6 10 10 10 10 10
## 362 3 10 3 10 6 10
## 363 3 2 2 1 4 3
## 364 4 4 4 2 2 3
## 365 2 1 1 1 2 1
## 366 2 1 1 1 2 1
## 367 6 10 10 10 8 10
## 368 5 8 8 10 5 10
## 369 1 1 3 1 2 1
## 370 1 1 3 1 1 1
## 371 4 3 2 1 3 1
## 372 1 1 3 1 2 1
## 373 4 1 2 1 2 1
## 374 5 1 1 2 2 1
## 375 3 1 2 1 2 1
## 376 1 1 1 1 2 1
## 377 1 1 1 1 2 1
## 378 1 1 1 1 1 1
## 379 3 1 1 4 3 1
## 380 5 3 4 1 4 1
## 381 1 1 1 1 2 1
## 382 10 6 3 6 4 10
## 383 3 2 2 2 2 1
## 384 2 1 1 1 2 1
## 385 2 1 1 1 2 1
## 386 3 3 2 2 3 1
## 387 7 6 6 3 2 10
## 388 5 3 3 2 3 1
## 389 2 1 1 1 2 1
## 390 5 1 1 1 3 2
## 391 1 1 1 2 2 1
## 392 10 8 7 4 3 10
## 393 3 1 1 1 2 1
## 394 1 1 1 1 1 1
## 395 1 2 3 1 2 1
## 396 3 1 1 1 2 1
## 397 3 1 1 1 2 1
## 398 4 1 1 1 2 1
## 399 3 2 1 1 2 1
## 400 1 2 3 1 2 1
## 401 3 10 8 7 6 9
## 402 3 1 1 1 2 1
## 403 5 3 3 1 2 1
## 404 3 1 1 1 2 4
## 405 1 2 1 3 2 1
## 406 1 1 1 1 2 1
## 407 4 2 2 1 2 1
## 408 1 1 1 1 2 1
## 409 2 3 2 2 2 2
## 410 3 1 2 1 2 1
## 411 1 1 1 1 2 1
## 413 10 10 10 6 8 4
## 414 5 1 2 1 2 1
## 415 8 5 6 2 3 10
## 416 3 3 2 6 3 3
## 417 8 7 8 5 10 10
## 418 1 1 1 1 2 1
## 419 5 2 2 2 2 2
## 420 2 3 1 1 5 1
## 421 3 2 2 3 2 3
## 422 10 10 10 7 10 10
## 423 4 3 3 1 2 1
## 424 5 1 3 1 2 1
## 425 3 1 1 1 2 1
## 426 9 10 10 10 10 10
## 427 5 3 6 1 2 1
## 428 8 7 8 2 4 2
## 429 1 1 1 1 2 1
## 430 2 1 1 1 2 1
## 431 1 3 1 1 2 1
## 432 5 1 1 3 4 1
## 433 5 1 1 1 2 1
## 434 3 2 2 3 2 1
## 435 6 9 7 5 5 8
## 436 10 8 10 1 3 10
## 437 10 10 10 1 6 1
## 438 4 1 1 1 2 1
## 439 4 1 3 3 2 1
## 440 5 1 1 1 2 1
## 441 10 4 3 10 4 10
## 442 5 2 2 4 2 4
## 443 1 1 1 3 2 3
## 444 1 1 1 1 2 2
## 445 5 1 1 6 3 1
## 446 2 1 1 1 2 1
## 447 1 1 1 1 2 1
## 448 5 1 1 1 2 1
## 449 1 1 1 1 1 1
## 450 5 7 9 8 6 10
## 451 4 1 1 3 1 1
## 452 5 1 1 1 2 1
## 453 3 1 1 3 2 1
## 454 4 5 5 8 6 10
## 455 2 3 1 1 3 1
## 456 10 2 2 1 2 6
## 457 10 6 5 8 5 10
## 458 8 8 9 6 6 3
## 459 5 1 2 1 2 1
## 460 5 1 3 1 2 1
## 461 5 1 1 3 2 1
## 462 3 1 1 1 2 5
## 463 6 1 1 3 2 1
## 464 4 1 1 1 2 1
## 465 4 1 1 1 2 1
## 466 10 9 8 7 6 4
## 467 10 6 6 2 4 10
## 468 6 6 6 5 4 10
## 469 4 1 1 1 2 1
## 470 1 1 2 1 2 1
## 471 3 1 1 1 1 1
## 472 6 1 1 3 2 1
## 473 6 1 1 1 1 1
## 474 4 1 1 1 2 1
## 475 5 1 1 1 2 1
## 476 3 1 1 1 2 1
## 477 4 1 2 1 2 1
## 478 4 1 1 1 2 1
## 479 5 2 1 1 2 1
## 480 4 8 7 10 4 10
## 481 5 1 1 1 1 1
## 482 5 3 2 4 2 1
## 483 9 10 10 10 10 5
## 484 8 7 8 5 5 10
## 485 5 1 2 1 2 1
## 486 1 1 1 3 1 3
## 487 3 1 1 1 1 1
## 488 10 10 10 10 6 10
## 489 3 6 4 10 3 3
## 490 6 3 2 1 3 4
## 491 1 1 1 1 2 1
## 492 5 8 9 4 3 10
## 493 4 1 1 1 1 1
## 494 5 10 10 10 6 10
## 495 5 1 2 10 4 5
## 496 3 1 1 1 1 1
## 497 1 1 1 1 1 1
## 498 4 2 1 1 2 1
## 499 4 1 1 1 2 1
## 500 4 1 1 1 2 1
## 501 6 1 1 1 2 1
## 502 4 1 1 1 2 1
## 503 4 1 1 2 2 1
## 504 4 1 1 1 2 1
## 505 1 1 1 1 2 1
## 506 3 3 1 1 2 1
## 507 8 10 10 10 7 5
## 508 1 1 1 1 2 4
## 509 5 1 1 1 2 1
## 510 2 1 1 1 2 1
## 511 1 1 1 1 2 1
## 512 5 1 1 1 2 1
## 513 5 1 1 1 2 1
## 514 3 1 1 1 1 1
## 515 6 6 7 10 3 10
## 516 4 10 4 7 3 10
## 517 1 1 1 1 1 1
## 518 1 1 1 1 1 1
## 519 3 1 2 2 2 1
## 520 4 7 8 3 4 10
## 521 1 1 1 1 3 1
## 522 4 1 1 1 3 1
## 523 10 4 5 4 3 5
## 524 7 5 6 10 4 10
## 525 3 1 1 1 2 1
## 526 3 1 1 2 2 1
## 527 4 1 1 1 2 1
## 528 4 1 1 1 2 1
## 529 6 1 3 2 2 1
## 530 4 1 1 1 1 1
## 531 7 4 4 3 4 10
## 532 4 2 2 1 2 1
## 533 1 1 1 1 1 1
## 534 3 1 1 1 2 1
## 535 2 1 1 1 2 1
## 536 1 1 3 2 2 1
## 537 5 1 1 1 2 1
## 538 5 1 2 1 2 1
## 539 4 1 1 1 2 1
## 540 6 1 1 1 2 1
## 541 5 1 1 1 2 2
## 542 3 1 1 1 2 1
## 543 5 3 1 1 2 1
## 544 4 1 1 1 2 1
## 545 2 1 3 2 2 1
## 546 5 1 1 1 2 1
## 547 6 10 10 10 4 10
## 548 2 1 1 1 1 1
## 549 3 1 1 1 1 1
## 550 7 8 3 7 4 5
## 551 3 1 1 1 2 1
## 552 1 1 1 1 2 1
## 553 3 2 2 2 2 1
## 554 4 4 2 1 2 5
## 555 3 1 1 1 2 1
## 556 4 3 1 1 2 1
## 557 5 2 2 2 1 1
## 558 5 1 1 3 2 1
## 559 2 1 1 1 2 1
## 560 5 1 1 1 2 1
## 561 5 1 1 1 2 1
## 562 5 1 1 1 2 1
## 563 1 1 1 1 2 1
## 564 3 1 1 1 2 1
## 565 4 1 1 1 2 1
## 566 5 7 10 10 5 10
## 567 3 1 2 1 2 1
## 568 4 1 1 1 2 3
## 569 8 4 4 1 6 10
## 570 10 10 8 10 6 5
## 571 8 10 4 4 8 10
## 572 7 6 10 5 3 10
## 573 3 1 1 1 2 1
## 574 1 1 1 1 2 1
## 575 10 9 7 3 4 2
## 576 5 1 2 1 2 1
## 577 5 1 1 1 2 1
## 578 1 1 1 1 2 1
## 579 1 1 1 1 2 1
## 580 1 1 1 1 2 1
## 581 5 1 2 1 2 1
## 582 5 7 10 6 5 10
## 583 6 10 5 5 4 10
## 584 3 1 1 1 2 1
## 585 5 1 1 6 3 1
## 586 1 1 1 1 2 1
## 587 8 10 10 10 6 10
## 588 5 1 1 1 2 1
## 589 9 8 8 9 6 3
## 590 5 1 1 1 2 1
## 591 4 10 8 5 4 1
## 592 2 5 7 6 4 10
## 593 10 3 4 5 3 10
## 594 5 1 2 1 2 1
## 595 4 8 6 3 4 10
## 596 5 1 1 1 2 1
## 597 4 1 2 1 2 1
## 598 5 1 3 1 2 1
## 599 3 1 1 1 2 1
## 600 5 2 4 1 1 1
## 601 3 1 1 1 2 1
## 602 1 1 1 1 1 1
## 603 4 1 1 1 2 1
## 604 5 4 6 8 4 1
## 605 5 3 2 8 5 10
## 606 10 5 10 3 5 8
## 607 4 1 1 2 2 1
## 608 1 1 1 1 2 1
## 609 5 10 10 10 10 10
## 610 5 1 1 1 2 1
## 611 10 4 3 10 3 10
## 612 5 10 10 10 5 2
## 613 8 10 10 10 6 10
## 614 2 3 1 1 2 1
## 615 2 1 1 1 1 1
## 616 4 1 3 1 2 1
## 617 3 1 1 1 2 1
## 619 4 1 1 1 2 1
## 620 5 1 1 1 2 1
## 621 3 1 1 1 2 1
## 622 6 3 3 3 3 2
## 623 7 1 2 3 2 1
## 624 1 1 1 1 2 1
## 625 5 1 1 2 1 1
## 626 3 1 3 1 3 4
## 627 4 6 6 5 7 6
## 628 2 1 1 1 2 5
## 629 2 1 1 1 2 1
## 630 4 1 1 1 2 1
## 631 6 2 3 1 2 1
## 632 5 1 1 1 2 1
## 633 1 1 1 1 2 1
## 634 8 7 4 4 5 3
## 635 3 1 1 1 2 1
## 636 3 1 4 1 2 1
## 637 10 10 7 8 7 1
## 638 4 2 4 3 2 2
## 639 4 1 1 1 2 1
## 640 5 1 1 3 2 1
## 641 4 1 1 3 2 1
## 642 3 1 1 1 2 1
## 643 3 1 1 1 2 1
## 644 1 1 1 1 2 1
## 645 2 1 1 1 2 1
## 646 3 1 1 1 2 1
## 647 1 2 2 1 2 1
## 648 1 1 1 3 2 1
## 649 5 10 10 10 10 2
## 650 3 1 1 1 2 1
## 651 3 1 1 2 3 4
## 652 1 2 1 3 2 1
## 653 5 1 1 1 2 1
## 654 4 1 1 1 2 1
## 655 3 1 1 1 2 1
## 656 3 1 1 1 2 1
## 657 5 1 1 1 2 1
## 658 5 4 5 1 8 1
## 659 7 8 8 7 3 10
## 660 1 1 1 1 2 1
## 661 1 1 1 1 2 1
## 662 4 1 1 1 2 1
## 663 1 1 3 1 2 1
## 664 1 1 3 1 2 1
## 665 3 1 1 3 2 1
## 666 1 1 1 1 2 1
## 667 5 2 2 2 2 1
## 668 3 1 1 1 2 1
## 669 5 7 4 1 6 1
## 670 5 10 10 8 5 5
## 671 3 10 7 8 5 8
## 672 3 2 1 2 2 1
## 673 2 1 1 1 2 1
## 674 5 3 2 1 3 1
## 675 1 1 1 1 2 1
## 676 4 1 4 1 2 1
## 677 1 1 2 1 2 1
## 678 5 1 1 1 2 1
## 679 1 1 1 1 2 1
## 680 2 1 1 1 2 1
## 681 10 10 10 10 5 10
## 682 5 10 10 10 4 10
## 683 5 1 1 1 2 1
## 684 1 1 1 1 2 1
## 685 1 1 1 1 2 1
## 686 1 1 1 1 2 1
## 687 1 1 1 1 2 1
## 688 3 1 1 1 2 1
## 689 4 1 1 1 2 1
## 690 1 1 1 1 2 1
## 691 1 1 1 3 2 1
## 692 5 10 10 5 4 5
## 693 3 1 1 1 2 1
## 694 3 1 1 1 2 1
## 695 3 1 1 1 3 2
## 696 2 1 1 1 2 1
## 697 5 10 10 3 7 3
## 698 4 8 6 4 3 4
## 699 4 8 8 5 4 5
## Bl.cromatin Normal.nucleoli Mitoses Class
## 1 3 1 1 benign
## 2 3 2 1 benign
## 3 3 1 1 benign
## 4 3 7 1 benign
## 5 3 1 1 benign
## 6 9 7 1 malignant
## 7 3 1 1 benign
## 8 3 1 1 benign
## 9 1 1 5 benign
## 10 2 1 1 benign
## 11 3 1 1 benign
## 12 2 1 1 benign
## 13 4 4 1 malignant
## 14 3 1 1 benign
## 15 5 5 4 malignant
## 16 4 3 1 malignant
## 17 2 1 1 benign
## 18 3 1 1 benign
## 19 4 1 2 malignant
## 20 3 1 1 benign
## 21 5 4 4 malignant
## 22 7 10 1 malignant
## 23 2 1 1 benign
## 25 3 1 1 benign
## 26 3 6 1 malignant
## 27 2 1 1 benign
## 28 2 1 1 benign
## 29 2 1 1 benign
## 30 1 1 1 benign
## 31 2 1 1 benign
## 32 3 1 1 benign
## 33 7 4 3 malignant
## 34 3 1 1 benign
## 35 2 1 1 benign
## 36 2 1 1 benign
## 37 8 9 1 malignant
## 38 7 1 1 benign
## 39 5 6 1 malignant
## 40 7 5 1 malignant
## 42 6 5 2 malignant
## 43 7 3 3 malignant
## 44 3 1 1 malignant
## 45 8 10 1 malignant
## 46 2 1 2 benign
## 47 4 8 1 malignant
## 48 2 1 1 benign
## 49 3 1 1 benign
## 50 3 8 2 malignant
## 51 2 1 5 malignant
## 52 3 4 1 malignant
## 53 4 10 2 malignant
## 54 7 3 7 malignant
## 55 7 1 1 malignant
## 56 3 6 1 malignant
## 57 3 9 1 malignant
## 58 5 4 4 malignant
## 59 5 1 1 malignant
## 60 5 1 1 malignant
## 61 4 10 1 malignant
## 62 2 1 1 benign
## 63 3 3 1 malignant
## 64 3 9 1 malignant
## 65 2 1 1 benign
## 66 4 3 10 malignant
## 67 3 1 1 benign
## 68 4 9 1 malignant
## 69 8 9 8 malignant
## 70 3 2 1 benign
## 71 2 1 1 benign
## 72 7 8 10 malignant
## 73 7 2 1 benign
## 74 4 8 1 malignant
## 75 3 2 3 malignant
## 76 4 2 1 benign
## 77 2 1 1 benign
## 78 2 1 1 benign
## 79 3 1 1 benign
## 80 2 1 1 benign
## 81 7 1 1 benign
## 82 2 1 1 benign
## 83 3 1 1 benign
## 84 7 1 1 benign
## 85 7 10 7 malignant
## 86 4 10 10 malignant
## 87 4 4 1 malignant
## 88 6 8 3 malignant
## 89 3 1 1 benign
## 90 2 1 1 benign
## 91 3 1 1 benign
## 92 1 1 1 benign
## 93 3 1 1 benign
## 94 2 1 1 benign
## 95 3 1 1 benign
## 96 3 1 1 benign
## 97 1 1 1 benign
## 98 3 1 1 benign
## 99 2 9 10 malignant
## 100 7 9 4 malignant
## 101 3 10 2 malignant
## 102 2 5 1 malignant
## 103 3 1 1 benign
## 104 7 1 1 malignant
## 105 8 8 8 malignant
## 106 3 2 7 malignant
## 107 4 1 1 malignant
## 108 5 7 1 malignant
## 109 2 3 1 benign
## 110 7 8 3 malignant
## 111 5 3 2 benign
## 112 3 1 1 malignant
## 113 7 3 3 malignant
## 114 8 1 1 malignant
## 115 3 1 1 benign
## 116 1 1 1 benign
## 117 3 2 1 benign
## 118 7 5 8 malignant
## 119 1 1 1 benign
## 120 3 1 1 benign
## 121 3 1 1 benign
## 122 3 1 1 benign
## 123 5 3 3 malignant
## 124 5 3 1 malignant
## 125 8 10 1 malignant
## 126 2 1 1 benign
## 127 7 5 5 malignant
## 128 3 1 1 benign
## 129 1 6 2 malignant
## 130 1 1 1 benign
## 131 2 1 1 benign
## 132 3 1 1 benign
## 133 3 6 3 malignant
## 134 2 2 1 benign
## 135 2 1 1 benign
## 136 3 3 1 benign
## 137 2 1 1 benign
## 138 1 1 1 benign
## 139 2 1 1 benign
## 141 1 1 1 benign
## 142 1 1 1 benign
## 143 4 3 3 malignant
## 144 1 1 1 benign
## 145 2 1 1 benign
## 147 4 1 1 malignant
## 148 2 1 1 benign
## 149 5 8 1 benign
## 150 7 8 7 malignant
## 151 3 1 1 benign
## 152 5 4 3 malignant
## 153 8 10 1 malignant
## 154 1 1 1 benign
## 155 1 1 1 benign
## 156 3 1 1 malignant
## 157 2 1 1 benign
## 158 3 1 1 benign
## 160 7 10 6 malignant
## 161 5 7 2 malignant
## 162 3 2 1 benign
## 163 3 1 1 benign
## 164 1 1 7 benign
## 166 3 2 1 benign
## 167 3 10 3 malignant
## 168 3 1 10 malignant
## 169 3 1 1 benign
## 170 1 1 1 benign
## 171 1 1 1 benign
## 172 3 1 1 benign
## 173 2 1 1 benign
## 174 10 10 7 malignant
## 175 6 1 1 malignant
## 176 5 7 1 malignant
## 177 3 1 1 benign
## 178 5 10 3 malignant
## 179 3 1 1 benign
## 180 3 1 1 malignant
## 181 3 1 1 benign
## 182 1 1 1 benign
## 183 3 1 1 benign
## 184 7 8 1 malignant
## 185 5 1 1 malignant
## 186 3 1 1 benign
## 187 7 10 1 malignant
## 188 7 7 10 malignant
## 189 9 10 1 malignant
## 190 3 1 1 benign
## 191 7 10 1 malignant
## 192 4 10 3 malignant
## 193 2 1 1 benign
## 194 3 1 1 benign
## 195 3 1 1 benign
## 196 3 1 1 benign
## 197 7 8 2 benign
## 198 3 1 1 benign
## 199 1 1 1 benign
## 200 2 1 1 benign
## 201 7 8 3 malignant
## 202 8 1 1 malignant
## 203 3 1 1 benign
## 204 3 1 1 benign
## 205 3 1 1 benign
## 206 7 10 5 malignant
## 207 3 5 1 malignant
## 208 3 1 1 benign
## 209 3 1 1 benign
## 210 3 1 1 benign
## 211 8 10 6 malignant
## 212 7 7 1 malignant
## 213 3 1 1 benign
## 214 7 10 4 malignant
## 215 10 6 1 malignant
## 216 5 10 2 malignant
## 217 2 1 1 benign
## 218 3 1 1 benign
## 219 8 10 2 malignant
## 220 3 1 1 benign
## 221 3 1 1 benign
## 222 9 10 1 malignant
## 223 2 1 1 malignant
## 224 7 4 1 malignant
## 225 7 9 2 malignant
## 226 2 1 1 benign
## 227 8 9 1 malignant
## 228 7 7 1 malignant
## 229 3 1 1 benign
## 230 9 10 1 malignant
## 231 7 6 1 malignant
## 232 8 9 2 malignant
## 233 4 3 1 benign
## 234 4 1 1 malignant
## 235 3 6 1 benign
## 237 4 8 10 malignant
## 238 4 10 4 malignant
## 239 3 10 10 malignant
## 240 5 3 2 malignant
## 241 2 3 1 benign
## 242 3 1 1 benign
## 243 3 1 1 benign
## 244 5 1 1 benign
## 245 3 1 1 benign
## 246 3 1 1 benign
## 247 7 8 1 malignant
## 248 3 3 1 malignant
## 249 3 6 1 benign
## 251 1 1 1 benign
## 252 5 3 3 malignant
## 253 3 5 3 benign
## 254 7 3 3 malignant
## 255 3 3 1 malignant
## 256 3 6 1 malignant
## 257 1 1 1 benign
## 258 2 1 1 benign
## 259 3 1 1 benign
## 260 3 4 1 benign
## 261 5 1 3 malignant
## 262 10 6 5 malignant
## 263 7 8 1 malignant
## 264 5 5 1 malignant
## 265 5 3 3 malignant
## 266 3 2 1 benign
## 267 4 3 2 malignant
## 268 7 1 1 malignant
## 269 8 7 8 malignant
## 270 3 1 1 benign
## 271 3 9 2 malignant
## 272 3 1 1 benign
## 273 7 1 1 malignant
## 274 3 3 1 malignant
## 275 3 2 1 benign
## 277 2 1 1 benign
## 278 2 1 1 benign
## 279 3 1 1 benign
## 280 3 3 8 malignant
## 281 3 1 1 benign
## 282 3 1 1 benign
## 283 5 6 1 malignant
## 284 5 3 1 malignant
## 285 3 8 2 malignant
## 286 10 7 3 malignant
## 287 4 10 10 malignant
## 288 2 1 1 benign
## 289 5 10 1 malignant
## 290 4 10 4 malignant
## 291 1 1 1 benign
## 292 3 1 1 benign
## 294 2 3 1 malignant
## 296 7 4 1 malignant
## 297 4 7 1 benign
## 299 1 1 1 benign
## 300 7 7 2 malignant
## 301 7 10 1 malignant
## 302 3 1 1 benign
## 303 7 10 10 malignant
## 304 3 1 1 benign
## 305 3 3 1 malignant
## 306 3 10 4 malignant
## 307 3 1 1 benign
## 308 3 1 1 benign
## 309 8 8 4 malignant
## 310 5 1 1 benign
## 311 2 1 1 benign
## 312 1 1 1 benign
## 313 3 5 1 malignant
## 314 1 1 1 benign
## 315 2 1 1 benign
## 317 4 3 1 malignant
## 318 8 9 1 malignant
## 319 3 1 1 benign
## 320 7 3 1 benign
## 321 7 4 6 malignant
## 323 3 1 1 benign
## 324 4 1 1 malignant
## 325 3 1 1 benign
## 326 2 3 1 benign
## 327 5 4 1 malignant
## 328 2 1 1 benign
## 329 3 10 1 malignant
## 330 7 1 1 malignant
## 331 6 1 1 malignant
## 332 3 1 2 benign
## 333 2 2 1 benign
## 334 4 3 1 malignant
## 335 3 4 2 malignant
## 336 1 1 1 benign
## 337 3 4 1 malignant
## 338 3 1 1 benign
## 339 2 1 1 benign
## 340 4 3 1 malignant
## 341 7 6 1 malignant
## 342 3 1 1 benign
## 343 1 1 1 benign
## 344 1 1 1 benign
## 345 9 5 3 malignant
## 346 1 1 1 benign
## 347 1 3 1 benign
## 348 1 3 1 benign
## 349 3 3 1 malignant
## 350 7 6 1 malignant
## 351 1 1 1 benign
## 352 3 1 1 benign
## 353 4 6 1 benign
## 354 4 9 4 malignant
## 355 2 1 1 benign
## 356 2 2 1 benign
## 357 3 3 3 malignant
## 358 7 3 8 malignant
## 359 4 10 3 malignant
## 360 3 5 3 malignant
## 361 8 10 10 malignant
## 362 5 1 4 malignant
## 363 2 1 1 benign
## 364 2 1 1 benign
## 365 3 1 1 benign
## 366 2 1 1 benign
## 367 7 10 7 malignant
## 368 8 10 3 malignant
## 369 1 1 1 benign
## 370 2 1 1 benign
## 371 2 1 1 benign
## 372 1 1 1 benign
## 373 2 1 1 benign
## 374 2 1 1 benign
## 375 2 1 1 benign
## 376 1 1 1 benign
## 377 2 1 1 benign
## 378 2 1 1 benign
## 379 2 2 1 benign
## 380 3 1 1 benign
## 381 1 1 1 benign
## 382 7 8 4 malignant
## 383 3 2 1 benign
## 384 1 1 1 benign
## 385 1 1 1 benign
## 386 1 2 3 benign
## 387 7 1 1 malignant
## 388 3 1 1 benign
## 389 2 2 1 benign
## 390 2 2 1 benign
## 391 2 1 1 benign
## 392 7 9 1 malignant
## 393 2 1 1 benign
## 394 1 1 1 benign
## 395 2 1 1 benign
## 396 2 1 1 benign
## 397 3 1 1 benign
## 398 1 1 1 benign
## 399 2 2 1 benign
## 400 1 1 1 benign
## 401 9 3 8 malignant
## 402 1 1 1 benign
## 403 2 1 1 benign
## 404 1 1 1 benign
## 405 1 2 1 benign
## 406 2 1 1 benign
## 407 2 1 1 benign
## 408 2 1 1 benign
## 409 3 1 1 benign
## 410 2 1 1 benign
## 411 2 1 1 benign
## 413 8 5 1 malignant
## 414 3 1 1 benign
## 415 6 6 1 malignant
## 416 3 5 1 benign
## 417 7 2 1 malignant
## 418 2 1 1 benign
## 419 3 2 2 benign
## 420 1 1 1 benign
## 421 3 1 1 benign
## 422 8 2 1 malignant
## 423 3 3 1 benign
## 424 2 1 1 benign
## 425 1 1 1 benign
## 426 10 10 1 malignant
## 427 1 1 1 benign
## 428 5 10 1 malignant
## 429 2 1 1 benign
## 430 2 1 1 benign
## 431 2 2 1 benign
## 432 3 2 1 benign
## 433 2 2 1 benign
## 434 1 1 1 benign
## 435 4 2 1 benign
## 436 5 1 1 malignant
## 437 2 8 1 malignant
## 438 1 1 1 benign
## 439 1 1 1 benign
## 440 1 1 1 benign
## 441 10 1 1 malignant
## 442 1 1 1 benign
## 443 1 1 1 benign
## 444 1 1 1 benign
## 445 2 1 1 benign
## 446 1 1 1 benign
## 447 1 1 1 benign
## 448 1 1 1 benign
## 449 1 1 1 benign
## 450 8 10 1 malignant
## 451 2 1 1 benign
## 452 1 1 1 benign
## 453 1 1 1 benign
## 454 10 7 1 malignant
## 455 1 1 1 benign
## 456 1 1 2 malignant
## 457 8 6 1 malignant
## 458 10 10 1 malignant
## 459 1 1 1 benign
## 460 1 1 1 benign
## 461 1 1 1 benign
## 462 1 1 1 benign
## 463 1 1 1 benign
## 464 1 2 1 benign
## 465 1 1 1 benign
## 466 7 10 3 malignant
## 467 9 7 1 malignant
## 468 7 6 2 malignant
## 469 1 1 1 benign
## 470 2 1 1 benign
## 471 2 1 1 benign
## 472 1 1 1 benign
## 473 1 1 1 benign
## 474 1 1 1 benign
## 475 1 1 1 benign
## 476 1 1 1 benign
## 477 1 1 1 benign
## 478 1 1 1 benign
## 479 1 1 1 benign
## 480 7 5 1 malignant
## 481 1 1 1 benign
## 482 1 1 1 benign
## 483 10 10 10 malignant
## 484 9 10 1 malignant
## 485 1 1 1 benign
## 486 1 1 1 benign
## 487 2 1 1 benign
## 488 8 1 5 malignant
## 489 3 4 1 malignant
## 490 4 1 1 malignant
## 491 1 1 1 benign
## 492 7 1 1 malignant
## 493 2 1 1 benign
## 494 6 5 2 malignant
## 495 2 1 1 benign
## 496 2 1 1 benign
## 497 1 1 1 benign
## 498 1 1 1 benign
## 499 2 1 1 benign
## 500 2 1 1 benign
## 501 3 1 1 benign
## 502 2 1 1 benign
## 503 2 1 1 benign
## 504 3 1 1 benign
## 505 1 1 1 benign
## 506 1 1 1 benign
## 507 4 8 7 malignant
## 508 1 1 1 benign
## 509 1 1 1 benign
## 510 1 1 1 benign
## 511 1 1 1 benign
## 512 2 1 1 benign
## 513 1 1 1 benign
## 514 2 1 1 benign
## 515 8 10 2 malignant
## 516 9 10 1 malignant
## 517 1 1 1 benign
## 518 2 1 1 benign
## 519 1 1 1 benign
## 520 9 1 1 malignant
## 521 1 1 1 benign
## 522 1 1 1 benign
## 523 7 3 1 malignant
## 524 5 3 1 malignant
## 525 2 1 1 benign
## 526 1 1 1 benign
## 527 1 1 1 benign
## 528 3 1 1 benign
## 529 1 1 1 benign
## 530 2 1 1 benign
## 531 6 9 1 malignant
## 532 2 1 1 benign
## 533 3 1 1 benign
## 534 2 1 1 benign
## 535 2 1 1 benign
## 536 3 1 1 benign
## 537 3 1 1 benign
## 538 3 1 1 benign
## 539 2 1 1 benign
## 540 2 1 1 benign
## 541 2 1 1 benign
## 542 1 1 1 benign
## 543 1 1 1 benign
## 544 2 1 1 benign
## 545 2 1 1 benign
## 546 2 1 1 benign
## 547 7 10 1 malignant
## 548 1 1 1 benign
## 549 1 1 1 benign
## 550 7 8 2 malignant
## 551 2 1 1 benign
## 552 3 1 1 benign
## 553 4 2 1 benign
## 554 2 1 2 benign
## 555 1 1 1 benign
## 556 4 8 1 benign
## 557 2 1 1 benign
## 558 1 1 1 benign
## 559 2 1 1 benign
## 560 2 1 1 benign
## 561 3 1 1 benign
## 562 3 1 1 benign
## 563 3 1 1 benign
## 564 2 1 1 benign
## 565 3 2 1 benign
## 566 10 10 1 malignant
## 567 3 1 1 benign
## 568 2 1 1 benign
## 569 2 5 2 malignant
## 570 10 3 1 malignant
## 571 8 2 1 malignant
## 572 9 10 2 malignant
## 573 2 1 1 benign
## 574 2 1 1 benign
## 575 7 7 1 malignant
## 576 3 1 1 benign
## 577 2 1 1 benign
## 578 2 1 1 benign
## 579 2 1 1 benign
## 580 3 1 1 benign
## 581 2 1 1 benign
## 582 7 5 1 malignant
## 583 6 10 1 malignant
## 584 1 1 1 benign
## 585 1 1 1 benign
## 586 1 1 1 benign
## 587 10 10 1 malignant
## 588 2 2 1 benign
## 589 4 1 1 malignant
## 590 1 1 1 benign
## 591 10 1 1 malignant
## 592 7 6 1 malignant
## 593 4 1 1 malignant
## 594 1 1 1 benign
## 595 7 1 1 malignant
## 596 2 1 1 benign
## 597 2 1 1 benign
## 598 3 1 1 benign
## 599 2 1 1 benign
## 600 1 1 1 benign
## 601 2 1 1 benign
## 602 2 1 1 benign
## 603 2 1 1 benign
## 604 8 10 1 malignant
## 605 8 1 2 malignant
## 606 7 8 3 malignant
## 607 1 1 1 benign
## 608 1 1 1 benign
## 609 10 1 1 malignant
## 610 1 1 1 benign
## 611 7 1 2 malignant
## 612 8 5 1 malignant
## 613 10 10 10 malignant
## 614 2 1 1 benign
## 615 2 1 1 benign
## 616 2 1 1 benign
## 617 2 1 1 benign
## 619 2 1 1 benign
## 620 2 1 1 benign
## 621 2 1 1 benign
## 622 6 1 1 benign
## 623 2 1 1 benign
## 624 1 1 1 benign
## 625 2 1 1 benign
## 626 1 1 1 benign
## 627 7 7 3 malignant
## 628 1 1 1 benign
## 629 1 1 1 benign
## 630 1 1 1 benign
## 631 1 1 1 benign
## 632 2 1 1 benign
## 633 1 1 1 benign
## 634 5 10 1 malignant
## 635 1 1 1 benign
## 636 1 1 1 benign
## 637 10 10 3 malignant
## 638 2 1 1 benign
## 639 1 1 1 benign
## 640 1 1 1 benign
## 641 1 1 1 benign
## 642 2 1 1 benign
## 643 2 1 1 benign
## 644 1 1 1 benign
## 645 1 1 1 benign
## 646 2 1 1 benign
## 647 1 1 1 benign
## 648 1 1 1 benign
## 649 10 10 10 malignant
## 650 2 1 1 benign
## 651 1 1 1 benign
## 652 2 1 1 benign
## 653 2 2 1 benign
## 654 2 1 1 benign
## 655 3 1 1 benign
## 656 2 1 1 benign
## 657 2 1 1 benign
## 658 3 6 1 benign
## 659 7 2 3 malignant
## 660 1 1 1 benign
## 661 2 1 1 benign
## 662 3 1 1 benign
## 663 2 1 1 benign
## 664 2 1 1 benign
## 665 2 1 1 benign
## 666 1 1 1 benign
## 667 1 1 2 benign
## 668 3 1 1 benign
## 669 7 10 3 malignant
## 670 7 10 1 malignant
## 671 7 4 1 malignant
## 672 3 1 1 benign
## 673 3 1 1 benign
## 674 1 1 1 benign
## 675 2 1 1 benign
## 676 1 1 1 benign
## 677 2 1 1 benign
## 678 1 1 1 benign
## 679 1 1 1 benign
## 680 1 1 1 benign
## 681 10 10 7 malignant
## 682 5 6 3 malignant
## 683 3 2 1 benign
## 684 1 1 1 benign
## 685 1 1 1 benign
## 686 1 1 1 benign
## 687 1 1 1 benign
## 688 2 3 1 benign
## 689 1 1 1 benign
## 690 1 1 8 benign
## 691 1 1 1 benign
## 692 4 4 1 malignant
## 693 1 1 1 benign
## 694 2 1 2 benign
## 695 1 1 1 benign
## 696 1 1 1 benign
## 697 8 10 2 malignant
## 698 10 6 1 malignant
## 699 10 4 1 malignantIntepretasi Hasil 4.2
Berdasarkan hasil pengolahan data, setelah dilakukan penghapusan
variabel Id, konversi sembilan variabel prediktor menjadi
numerik, dan penghapusan observasi yang memiliki missing value,
diperoleh sebanyak 683 observasi dengan 10 variabel, yang terdiri atas
sembilan variabel prediktor dan satu variabel respons
(Class). Selanjutnya, dilakukan normalisasi menggunakan
metode Min-Max sehingga seluruh variabel prediktor memiliki nilai
minimum 0 dan maksimum 1. Hasil ringkasan statistik menunjukkan bahwa
nilai rata-rata setiap variabel prediktor berbeda-beda, seperti
Cl.thickness sebesar 0,3825, Cell.size sebesar
0,2390, dan Bare.nuclei sebesar 0,2827. Sementara itu,
variabel respons terdiri atas 444 observasi kelas benign
(jinak) dan 239 observasi kelas malignant (ganas). Dengan
demikian, proses preprocessing menghasilkan data yang telah bersih dari
nilai hilang dan memiliki skala yang seragam, sehingga siap digunakan
dalam proses klasifikasi menggunakan algoritma K-Nearest Neighbor
(K-NN).
4.3 Menerapkan normalisasi pada 9 variabel prediktor
# Mendefinisikan fungsi normalisasi Min-Max
min_max_norm <- function(x){
return((x - min(x)) / (max(x) - min(x)))
}
data_bc## Cl.thickness Cell.size Cell.shape Marg.adhesion Epith.c.size Bare.nuclei
## 1 5 1 1 1 2 1
## 2 5 4 4 5 7 10
## 3 3 1 1 1 2 2
## 4 6 8 8 1 3 4
## 5 4 1 1 3 2 1
## 6 8 10 10 8 7 10
## 7 1 1 1 1 2 10
## 8 2 1 2 1 2 1
## 9 2 1 1 1 2 1
## 10 4 2 1 1 2 1
## 11 1 1 1 1 1 1
## 12 2 1 1 1 2 1
## 13 5 3 3 3 2 3
## 14 1 1 1 1 2 3
## 15 8 7 5 10 7 9
## 16 7 4 6 4 6 1
## 17 4 1 1 1 2 1
## 18 4 1 1 1 2 1
## 19 10 7 7 6 4 10
## 20 6 1 1 1 2 1
## 21 7 3 2 10 5 10
## 22 10 5 5 3 6 7
## 23 3 1 1 1 2 1
## 25 1 1 1 1 2 1
## 26 5 2 3 4 2 7
## 27 3 2 1 1 1 1
## 28 5 1 1 1 2 1
## 29 2 1 1 1 2 1
## 30 1 1 3 1 2 1
## 31 3 1 1 1 1 1
## 32 2 1 1 1 2 1
## 33 10 7 7 3 8 5
## 34 2 1 1 2 2 1
## 35 3 1 2 1 2 1
## 36 2 1 1 1 2 1
## 37 10 10 10 8 6 1
## 38 6 2 1 1 1 1
## 39 5 4 4 9 2 10
## 40 2 5 3 3 6 7
## 42 10 4 3 1 3 3
## 43 6 10 10 2 8 10
## 44 5 6 5 6 10 1
## 45 10 10 10 4 8 1
## 46 1 1 1 1 2 1
## 47 3 7 7 4 4 9
## 48 1 1 1 1 2 1
## 49 4 1 1 3 2 1
## 50 7 8 7 2 4 8
## 51 9 5 8 1 2 3
## 52 5 3 3 4 2 4
## 53 10 3 6 2 3 5
## 54 5 5 5 8 10 8
## 55 10 5 5 6 8 8
## 56 10 6 6 3 4 5
## 57 8 10 10 1 3 6
## 58 8 2 4 1 5 1
## 59 5 2 3 1 6 10
## 60 9 5 5 2 2 2
## 61 5 3 5 5 3 3
## 62 1 1 1 1 2 2
## 63 9 10 10 1 10 8
## 64 6 3 4 1 5 2
## 65 1 1 1 1 2 1
## 66 10 4 2 1 3 2
## 67 4 1 1 1 2 1
## 68 5 3 4 1 8 10
## 69 8 3 8 3 4 9
## 70 1 1 1 1 2 1
## 71 5 1 3 1 2 1
## 72 6 10 2 8 10 2
## 73 1 3 3 2 2 1
## 74 9 4 5 10 6 10
## 75 10 6 4 1 3 4
## 76 1 1 2 1 2 2
## 77 1 1 4 1 2 1
## 78 5 3 1 2 2 1
## 79 3 1 1 1 2 3
## 80 2 1 1 1 3 1
## 81 2 2 2 1 1 1
## 82 4 1 1 2 2 1
## 83 5 2 1 1 2 1
## 84 3 1 1 1 2 2
## 85 3 5 7 8 8 9
## 86 5 10 6 1 10 4
## 87 3 3 6 4 5 8
## 88 3 6 6 6 5 10
## 89 4 1 1 1 2 1
## 90 2 1 1 2 3 1
## 91 1 1 1 1 2 1
## 92 3 1 1 2 2 1
## 93 4 1 1 1 2 1
## 94 1 1 1 1 2 1
## 95 2 1 1 1 2 1
## 96 1 1 1 1 2 1
## 97 2 1 1 2 2 1
## 98 5 1 1 1 2 1
## 99 9 6 9 2 10 6
## 100 7 5 6 10 5 10
## 101 10 3 5 1 10 5
## 102 2 3 4 4 2 5
## 103 4 1 2 1 2 1
## 104 8 2 3 1 6 3
## 105 10 10 10 10 10 1
## 106 7 3 4 4 3 3
## 107 10 10 10 8 2 10
## 108 1 6 8 10 8 10
## 109 1 1 1 1 2 1
## 110 6 5 4 4 3 9
## 111 1 3 1 2 2 2
## 112 8 6 4 3 5 9
## 113 10 3 3 10 2 10
## 114 10 10 10 3 10 8
## 115 3 3 2 1 2 3
## 116 1 1 1 1 2 5
## 117 8 3 3 1 2 2
## 118 4 5 5 10 4 10
## 119 1 1 1 1 4 3
## 120 3 2 1 1 2 2
## 121 1 1 2 2 2 1
## 122 4 2 1 1 2 2
## 123 10 10 10 2 10 10
## 124 5 3 5 1 8 10
## 125 5 4 6 7 9 7
## 126 1 1 1 1 2 1
## 127 7 5 3 7 4 10
## 128 3 1 1 1 2 1
## 129 8 3 5 4 5 10
## 130 1 1 1 1 10 1
## 131 5 1 3 1 2 1
## 132 2 1 1 1 2 1
## 133 5 10 8 10 8 10
## 134 3 1 1 1 2 1
## 135 3 1 1 1 3 1
## 136 5 1 1 1 2 2
## 137 4 1 1 1 2 1
## 138 3 1 1 1 2 1
## 139 4 1 2 1 2 1
## 141 3 1 1 1 2 1
## 142 2 1 1 1 2 1
## 143 9 5 5 4 4 5
## 144 1 1 1 1 2 5
## 145 2 1 1 1 2 1
## 147 3 4 5 2 6 8
## 148 1 1 1 1 3 2
## 149 3 1 1 3 8 1
## 150 8 8 7 4 10 10
## 151 1 1 1 1 1 1
## 152 7 2 4 1 6 10
## 153 10 10 8 6 4 5
## 154 4 1 1 1 2 3
## 155 1 1 1 1 2 1
## 156 5 5 5 6 3 10
## 157 1 2 2 1 2 1
## 158 2 1 1 1 2 1
## 160 9 9 10 3 6 10
## 161 10 7 7 4 5 10
## 162 4 1 1 1 2 1
## 163 3 1 1 1 2 1
## 164 1 1 1 2 1 3
## 166 4 1 1 1 2 2
## 167 5 6 7 8 8 10
## 168 10 8 10 10 6 1
## 169 3 1 1 1 2 1
## 170 1 1 1 2 1 1
## 171 3 1 1 1 2 1
## 172 1 1 1 1 2 1
## 173 1 1 1 1 2 1
## 174 6 10 10 10 8 10
## 175 8 6 5 4 3 10
## 176 5 8 7 7 10 10
## 177 2 1 1 1 2 1
## 178 5 10 10 3 8 1
## 179 4 1 1 1 2 1
## 180 5 3 3 3 6 10
## 181 1 1 1 1 1 1
## 182 1 1 1 1 2 1
## 183 6 1 1 1 2 1
## 184 5 8 8 8 5 10
## 185 8 7 6 4 4 10
## 186 2 1 1 1 1 1
## 187 1 5 8 6 5 8
## 188 10 5 6 10 6 10
## 189 5 8 4 10 5 8
## 190 1 2 3 1 2 1
## 191 10 10 10 8 6 8
## 192 7 5 10 10 10 10
## 193 5 1 1 1 2 1
## 194 1 1 1 1 2 1
## 195 3 1 1 1 2 1
## 196 4 1 1 1 2 1
## 197 8 4 4 5 4 7
## 198 5 1 1 4 2 1
## 199 1 1 1 1 2 1
## 200 3 1 1 1 2 1
## 201 9 7 7 5 5 10
## 202 10 8 8 4 10 10
## 203 1 1 1 1 2 1
## 204 5 1 1 1 2 1
## 205 1 1 1 1 2 1
## 206 5 10 10 9 6 10
## 207 10 10 9 3 7 5
## 208 1 1 1 1 1 1
## 209 1 1 1 1 1 1
## 210 5 1 1 1 1 1
## 211 8 10 10 10 5 10
## 212 8 10 8 8 4 8
## 213 1 1 1 1 2 1
## 214 10 10 10 10 7 10
## 215 10 10 10 10 3 10
## 216 8 7 8 7 5 5
## 217 1 1 1 1 2 1
## 218 1 1 1 1 2 1
## 219 6 10 7 7 6 4
## 220 6 1 3 1 2 1
## 221 1 1 1 2 2 1
## 222 10 6 4 3 10 10
## 223 4 1 1 3 1 5
## 224 7 5 6 3 3 8
## 225 10 5 5 6 3 10
## 226 1 1 1 1 2 1
## 227 10 5 7 4 4 10
## 228 8 9 9 5 3 5
## 229 1 1 1 1 1 1
## 230 10 10 10 3 10 10
## 231 7 4 7 4 3 7
## 232 6 8 7 5 6 8
## 233 8 4 6 3 3 1
## 234 10 4 5 5 5 10
## 235 3 3 2 1 3 1
## 237 10 8 8 2 8 10
## 238 9 8 8 5 6 2
## 239 8 10 10 8 6 9
## 240 10 4 3 2 3 10
## 241 5 1 3 3 2 2
## 242 3 1 1 3 1 1
## 243 2 1 1 1 2 1
## 244 1 1 1 1 2 5
## 245 1 1 1 1 2 1
## 246 5 1 1 2 2 2
## 247 8 10 10 8 5 10
## 248 8 4 4 1 2 9
## 249 4 1 1 1 2 1
## 251 1 2 2 1 2 1
## 252 10 4 4 10 2 10
## 253 6 3 3 5 3 10
## 254 6 10 10 2 8 10
## 255 9 10 10 1 10 8
## 256 5 6 6 2 4 10
## 257 3 1 1 1 2 1
## 258 3 1 1 1 2 1
## 259 3 1 1 1 2 1
## 260 5 7 7 1 5 8
## 261 10 5 8 10 3 10
## 262 5 10 10 6 10 10
## 263 8 8 9 4 5 10
## 264 10 4 4 10 6 10
## 265 7 9 4 10 10 3
## 266 5 1 4 1 2 1
## 267 10 10 6 3 3 10
## 268 3 3 5 2 3 10
## 269 10 8 8 2 3 4
## 270 1 1 1 1 2 1
## 271 8 4 7 1 3 10
## 272 5 1 1 1 2 1
## 273 3 3 5 2 3 10
## 274 7 2 4 1 3 4
## 275 3 1 1 1 2 1
## 277 3 1 1 1 2 1
## 278 1 1 1 1 2 1
## 279 1 1 1 1 2 1
## 280 10 5 7 3 3 7
## 281 3 1 1 1 2 1
## 282 2 1 1 2 2 1
## 283 1 4 3 10 4 10
## 284 10 4 6 1 2 10
## 285 7 4 5 10 2 10
## 286 8 10 10 10 8 10
## 287 10 10 10 10 10 10
## 288 3 1 1 1 3 1
## 289 6 1 3 1 4 5
## 290 5 6 6 8 6 10
## 291 1 1 1 1 2 1
## 292 1 1 1 1 2 1
## 294 10 4 4 6 2 10
## 296 5 5 7 8 6 10
## 297 5 3 4 3 4 5
## 299 8 2 1 1 5 1
## 300 9 1 2 6 4 10
## 301 8 4 10 5 4 4
## 302 1 1 1 1 2 1
## 303 10 10 10 7 9 10
## 304 1 1 1 1 2 1
## 305 8 3 4 9 3 10
## 306 10 8 4 4 4 10
## 307 1 1 1 1 2 1
## 308 1 1 1 1 2 1
## 309 7 8 7 6 4 3
## 310 3 1 1 1 2 5
## 311 2 1 1 1 3 1
## 312 1 1 1 1 2 1
## 313 8 6 4 10 10 1
## 314 1 1 1 1 2 1
## 315 1 1 1 1 1 1
## 317 5 5 5 2 5 10
## 318 6 8 7 8 6 8
## 319 1 1 1 1 5 1
## 320 4 4 4 4 6 5
## 321 7 6 3 2 5 10
## 323 3 1 1 1 2 1
## 324 5 4 6 10 2 10
## 325 1 1 1 1 2 1
## 326 3 2 2 1 2 1
## 327 10 1 1 1 2 10
## 328 1 1 1 1 2 1
## 329 8 10 3 2 6 4
## 330 10 4 6 4 5 10
## 331 10 4 7 2 2 8
## 332 5 1 1 1 2 1
## 333 5 2 2 2 2 1
## 334 5 4 6 6 4 10
## 335 8 6 7 3 3 10
## 336 1 1 1 1 2 1
## 337 6 5 5 8 4 10
## 338 1 1 1 1 2 1
## 339 1 1 1 1 1 1
## 340 8 5 5 5 2 10
## 341 10 3 3 1 2 10
## 342 1 1 1 1 2 1
## 343 2 1 1 1 2 1
## 344 1 1 1 1 2 1
## 345 7 6 4 8 10 10
## 346 1 1 1 1 2 1
## 347 5 2 2 2 3 1
## 348 1 1 1 1 1 1
## 349 3 4 4 10 5 1
## 350 4 2 3 5 3 8
## 351 5 1 1 3 2 1
## 352 2 1 1 1 2 1
## 353 3 4 5 3 7 3
## 354 2 7 10 10 7 10
## 355 1 1 1 1 2 1
## 356 4 1 1 1 3 1
## 357 5 3 3 1 3 3
## 358 8 10 10 7 10 10
## 359 8 10 5 3 8 4
## 360 10 3 5 4 3 7
## 361 6 10 10 10 10 10
## 362 3 10 3 10 6 10
## 363 3 2 2 1 4 3
## 364 4 4 4 2 2 3
## 365 2 1 1 1 2 1
## 366 2 1 1 1 2 1
## 367 6 10 10 10 8 10
## 368 5 8 8 10 5 10
## 369 1 1 3 1 2 1
## 370 1 1 3 1 1 1
## 371 4 3 2 1 3 1
## 372 1 1 3 1 2 1
## 373 4 1 2 1 2 1
## 374 5 1 1 2 2 1
## 375 3 1 2 1 2 1
## 376 1 1 1 1 2 1
## 377 1 1 1 1 2 1
## 378 1 1 1 1 1 1
## 379 3 1 1 4 3 1
## 380 5 3 4 1 4 1
## 381 1 1 1 1 2 1
## 382 10 6 3 6 4 10
## 383 3 2 2 2 2 1
## 384 2 1 1 1 2 1
## 385 2 1 1 1 2 1
## 386 3 3 2 2 3 1
## 387 7 6 6 3 2 10
## 388 5 3 3 2 3 1
## 389 2 1 1 1 2 1
## 390 5 1 1 1 3 2
## 391 1 1 1 2 2 1
## 392 10 8 7 4 3 10
## 393 3 1 1 1 2 1
## 394 1 1 1 1 1 1
## 395 1 2 3 1 2 1
## 396 3 1 1 1 2 1
## 397 3 1 1 1 2 1
## 398 4 1 1 1 2 1
## 399 3 2 1 1 2 1
## 400 1 2 3 1 2 1
## 401 3 10 8 7 6 9
## 402 3 1 1 1 2 1
## 403 5 3 3 1 2 1
## 404 3 1 1 1 2 4
## 405 1 2 1 3 2 1
## 406 1 1 1 1 2 1
## 407 4 2 2 1 2 1
## 408 1 1 1 1 2 1
## 409 2 3 2 2 2 2
## 410 3 1 2 1 2 1
## 411 1 1 1 1 2 1
## 413 10 10 10 6 8 4
## 414 5 1 2 1 2 1
## 415 8 5 6 2 3 10
## 416 3 3 2 6 3 3
## 417 8 7 8 5 10 10
## 418 1 1 1 1 2 1
## 419 5 2 2 2 2 2
## 420 2 3 1 1 5 1
## 421 3 2 2 3 2 3
## 422 10 10 10 7 10 10
## 423 4 3 3 1 2 1
## 424 5 1 3 1 2 1
## 425 3 1 1 1 2 1
## 426 9 10 10 10 10 10
## 427 5 3 6 1 2 1
## 428 8 7 8 2 4 2
## 429 1 1 1 1 2 1
## 430 2 1 1 1 2 1
## 431 1 3 1 1 2 1
## 432 5 1 1 3 4 1
## 433 5 1 1 1 2 1
## 434 3 2 2 3 2 1
## 435 6 9 7 5 5 8
## 436 10 8 10 1 3 10
## 437 10 10 10 1 6 1
## 438 4 1 1 1 2 1
## 439 4 1 3 3 2 1
## 440 5 1 1 1 2 1
## 441 10 4 3 10 4 10
## 442 5 2 2 4 2 4
## 443 1 1 1 3 2 3
## 444 1 1 1 1 2 2
## 445 5 1 1 6 3 1
## 446 2 1 1 1 2 1
## 447 1 1 1 1 2 1
## 448 5 1 1 1 2 1
## 449 1 1 1 1 1 1
## 450 5 7 9 8 6 10
## 451 4 1 1 3 1 1
## 452 5 1 1 1 2 1
## 453 3 1 1 3 2 1
## 454 4 5 5 8 6 10
## 455 2 3 1 1 3 1
## 456 10 2 2 1 2 6
## 457 10 6 5 8 5 10
## 458 8 8 9 6 6 3
## 459 5 1 2 1 2 1
## 460 5 1 3 1 2 1
## 461 5 1 1 3 2 1
## 462 3 1 1 1 2 5
## 463 6 1 1 3 2 1
## 464 4 1 1 1 2 1
## 465 4 1 1 1 2 1
## 466 10 9 8 7 6 4
## 467 10 6 6 2 4 10
## 468 6 6 6 5 4 10
## 469 4 1 1 1 2 1
## 470 1 1 2 1 2 1
## 471 3 1 1 1 1 1
## 472 6 1 1 3 2 1
## 473 6 1 1 1 1 1
## 474 4 1 1 1 2 1
## 475 5 1 1 1 2 1
## 476 3 1 1 1 2 1
## 477 4 1 2 1 2 1
## 478 4 1 1 1 2 1
## 479 5 2 1 1 2 1
## 480 4 8 7 10 4 10
## 481 5 1 1 1 1 1
## 482 5 3 2 4 2 1
## 483 9 10 10 10 10 5
## 484 8 7 8 5 5 10
## 485 5 1 2 1 2 1
## 486 1 1 1 3 1 3
## 487 3 1 1 1 1 1
## 488 10 10 10 10 6 10
## 489 3 6 4 10 3 3
## 490 6 3 2 1 3 4
## 491 1 1 1 1 2 1
## 492 5 8 9 4 3 10
## 493 4 1 1 1 1 1
## 494 5 10 10 10 6 10
## 495 5 1 2 10 4 5
## 496 3 1 1 1 1 1
## 497 1 1 1 1 1 1
## 498 4 2 1 1 2 1
## 499 4 1 1 1 2 1
## 500 4 1 1 1 2 1
## 501 6 1 1 1 2 1
## 502 4 1 1 1 2 1
## 503 4 1 1 2 2 1
## 504 4 1 1 1 2 1
## 505 1 1 1 1 2 1
## 506 3 3 1 1 2 1
## 507 8 10 10 10 7 5
## 508 1 1 1 1 2 4
## 509 5 1 1 1 2 1
## 510 2 1 1 1 2 1
## 511 1 1 1 1 2 1
## 512 5 1 1 1 2 1
## 513 5 1 1 1 2 1
## 514 3 1 1 1 1 1
## 515 6 6 7 10 3 10
## 516 4 10 4 7 3 10
## 517 1 1 1 1 1 1
## 518 1 1 1 1 1 1
## 519 3 1 2 2 2 1
## 520 4 7 8 3 4 10
## 521 1 1 1 1 3 1
## 522 4 1 1 1 3 1
## 523 10 4 5 4 3 5
## 524 7 5 6 10 4 10
## 525 3 1 1 1 2 1
## 526 3 1 1 2 2 1
## 527 4 1 1 1 2 1
## 528 4 1 1 1 2 1
## 529 6 1 3 2 2 1
## 530 4 1 1 1 1 1
## 531 7 4 4 3 4 10
## 532 4 2 2 1 2 1
## 533 1 1 1 1 1 1
## 534 3 1 1 1 2 1
## 535 2 1 1 1 2 1
## 536 1 1 3 2 2 1
## 537 5 1 1 1 2 1
## 538 5 1 2 1 2 1
## 539 4 1 1 1 2 1
## 540 6 1 1 1 2 1
## 541 5 1 1 1 2 2
## 542 3 1 1 1 2 1
## 543 5 3 1 1 2 1
## 544 4 1 1 1 2 1
## 545 2 1 3 2 2 1
## 546 5 1 1 1 2 1
## 547 6 10 10 10 4 10
## 548 2 1 1 1 1 1
## 549 3 1 1 1 1 1
## 550 7 8 3 7 4 5
## 551 3 1 1 1 2 1
## 552 1 1 1 1 2 1
## 553 3 2 2 2 2 1
## 554 4 4 2 1 2 5
## 555 3 1 1 1 2 1
## 556 4 3 1 1 2 1
## 557 5 2 2 2 1 1
## 558 5 1 1 3 2 1
## 559 2 1 1 1 2 1
## 560 5 1 1 1 2 1
## 561 5 1 1 1 2 1
## 562 5 1 1 1 2 1
## 563 1 1 1 1 2 1
## 564 3 1 1 1 2 1
## 565 4 1 1 1 2 1
## 566 5 7 10 10 5 10
## 567 3 1 2 1 2 1
## 568 4 1 1 1 2 3
## 569 8 4 4 1 6 10
## 570 10 10 8 10 6 5
## 571 8 10 4 4 8 10
## 572 7 6 10 5 3 10
## 573 3 1 1 1 2 1
## 574 1 1 1 1 2 1
## 575 10 9 7 3 4 2
## 576 5 1 2 1 2 1
## 577 5 1 1 1 2 1
## 578 1 1 1 1 2 1
## 579 1 1 1 1 2 1
## 580 1 1 1 1 2 1
## 581 5 1 2 1 2 1
## 582 5 7 10 6 5 10
## 583 6 10 5 5 4 10
## 584 3 1 1 1 2 1
## 585 5 1 1 6 3 1
## 586 1 1 1 1 2 1
## 587 8 10 10 10 6 10
## 588 5 1 1 1 2 1
## 589 9 8 8 9 6 3
## 590 5 1 1 1 2 1
## 591 4 10 8 5 4 1
## 592 2 5 7 6 4 10
## 593 10 3 4 5 3 10
## 594 5 1 2 1 2 1
## 595 4 8 6 3 4 10
## 596 5 1 1 1 2 1
## 597 4 1 2 1 2 1
## 598 5 1 3 1 2 1
## 599 3 1 1 1 2 1
## 600 5 2 4 1 1 1
## 601 3 1 1 1 2 1
## 602 1 1 1 1 1 1
## 603 4 1 1 1 2 1
## 604 5 4 6 8 4 1
## 605 5 3 2 8 5 10
## 606 10 5 10 3 5 8
## 607 4 1 1 2 2 1
## 608 1 1 1 1 2 1
## 609 5 10 10 10 10 10
## 610 5 1 1 1 2 1
## 611 10 4 3 10 3 10
## 612 5 10 10 10 5 2
## 613 8 10 10 10 6 10
## 614 2 3 1 1 2 1
## 615 2 1 1 1 1 1
## 616 4 1 3 1 2 1
## 617 3 1 1 1 2 1
## 619 4 1 1 1 2 1
## 620 5 1 1 1 2 1
## 621 3 1 1 1 2 1
## 622 6 3 3 3 3 2
## 623 7 1 2 3 2 1
## 624 1 1 1 1 2 1
## 625 5 1 1 2 1 1
## 626 3 1 3 1 3 4
## 627 4 6 6 5 7 6
## 628 2 1 1 1 2 5
## 629 2 1 1 1 2 1
## 630 4 1 1 1 2 1
## 631 6 2 3 1 2 1
## 632 5 1 1 1 2 1
## 633 1 1 1 1 2 1
## 634 8 7 4 4 5 3
## 635 3 1 1 1 2 1
## 636 3 1 4 1 2 1
## 637 10 10 7 8 7 1
## 638 4 2 4 3 2 2
## 639 4 1 1 1 2 1
## 640 5 1 1 3 2 1
## 641 4 1 1 3 2 1
## 642 3 1 1 1 2 1
## 643 3 1 1 1 2 1
## 644 1 1 1 1 2 1
## 645 2 1 1 1 2 1
## 646 3 1 1 1 2 1
## 647 1 2 2 1 2 1
## 648 1 1 1 3 2 1
## 649 5 10 10 10 10 2
## 650 3 1 1 1 2 1
## 651 3 1 1 2 3 4
## 652 1 2 1 3 2 1
## 653 5 1 1 1 2 1
## 654 4 1 1 1 2 1
## 655 3 1 1 1 2 1
## 656 3 1 1 1 2 1
## 657 5 1 1 1 2 1
## 658 5 4 5 1 8 1
## 659 7 8 8 7 3 10
## 660 1 1 1 1 2 1
## 661 1 1 1 1 2 1
## 662 4 1 1 1 2 1
## 663 1 1 3 1 2 1
## 664 1 1 3 1 2 1
## 665 3 1 1 3 2 1
## 666 1 1 1 1 2 1
## 667 5 2 2 2 2 1
## 668 3 1 1 1 2 1
## 669 5 7 4 1 6 1
## 670 5 10 10 8 5 5
## 671 3 10 7 8 5 8
## 672 3 2 1 2 2 1
## 673 2 1 1 1 2 1
## 674 5 3 2 1 3 1
## 675 1 1 1 1 2 1
## 676 4 1 4 1 2 1
## 677 1 1 2 1 2 1
## 678 5 1 1 1 2 1
## 679 1 1 1 1 2 1
## 680 2 1 1 1 2 1
## 681 10 10 10 10 5 10
## 682 5 10 10 10 4 10
## 683 5 1 1 1 2 1
## 684 1 1 1 1 2 1
## 685 1 1 1 1 2 1
## 686 1 1 1 1 2 1
## 687 1 1 1 1 2 1
## 688 3 1 1 1 2 1
## 689 4 1 1 1 2 1
## 690 1 1 1 1 2 1
## 691 1 1 1 3 2 1
## 692 5 10 10 5 4 5
## 693 3 1 1 1 2 1
## 694 3 1 1 1 2 1
## 695 3 1 1 1 3 2
## 696 2 1 1 1 2 1
## 697 5 10 10 3 7 3
## 698 4 8 6 4 3 4
## 699 4 8 8 5 4 5
## Bl.cromatin Normal.nucleoli Mitoses Class
## 1 3 1 1 benign
## 2 3 2 1 benign
## 3 3 1 1 benign
## 4 3 7 1 benign
## 5 3 1 1 benign
## 6 9 7 1 malignant
## 7 3 1 1 benign
## 8 3 1 1 benign
## 9 1 1 5 benign
## 10 2 1 1 benign
## 11 3 1 1 benign
## 12 2 1 1 benign
## 13 4 4 1 malignant
## 14 3 1 1 benign
## 15 5 5 4 malignant
## 16 4 3 1 malignant
## 17 2 1 1 benign
## 18 3 1 1 benign
## 19 4 1 2 malignant
## 20 3 1 1 benign
## 21 5 4 4 malignant
## 22 7 10 1 malignant
## 23 2 1 1 benign
## 25 3 1 1 benign
## 26 3 6 1 malignant
## 27 2 1 1 benign
## 28 2 1 1 benign
## 29 2 1 1 benign
## 30 1 1 1 benign
## 31 2 1 1 benign
## 32 3 1 1 benign
## 33 7 4 3 malignant
## 34 3 1 1 benign
## 35 2 1 1 benign
## 36 2 1 1 benign
## 37 8 9 1 malignant
## 38 7 1 1 benign
## 39 5 6 1 malignant
## 40 7 5 1 malignant
## 42 6 5 2 malignant
## 43 7 3 3 malignant
## 44 3 1 1 malignant
## 45 8 10 1 malignant
## 46 2 1 2 benign
## 47 4 8 1 malignant
## 48 2 1 1 benign
## 49 3 1 1 benign
## 50 3 8 2 malignant
## 51 2 1 5 malignant
## 52 3 4 1 malignant
## 53 4 10 2 malignant
## 54 7 3 7 malignant
## 55 7 1 1 malignant
## 56 3 6 1 malignant
## 57 3 9 1 malignant
## 58 5 4 4 malignant
## 59 5 1 1 malignant
## 60 5 1 1 malignant
## 61 4 10 1 malignant
## 62 2 1 1 benign
## 63 3 3 1 malignant
## 64 3 9 1 malignant
## 65 2 1 1 benign
## 66 4 3 10 malignant
## 67 3 1 1 benign
## 68 4 9 1 malignant
## 69 8 9 8 malignant
## 70 3 2 1 benign
## 71 2 1 1 benign
## 72 7 8 10 malignant
## 73 7 2 1 benign
## 74 4 8 1 malignant
## 75 3 2 3 malignant
## 76 4 2 1 benign
## 77 2 1 1 benign
## 78 2 1 1 benign
## 79 3 1 1 benign
## 80 2 1 1 benign
## 81 7 1 1 benign
## 82 2 1 1 benign
## 83 3 1 1 benign
## 84 7 1 1 benign
## 85 7 10 7 malignant
## 86 4 10 10 malignant
## 87 4 4 1 malignant
## 88 6 8 3 malignant
## 89 3 1 1 benign
## 90 2 1 1 benign
## 91 3 1 1 benign
## 92 1 1 1 benign
## 93 3 1 1 benign
## 94 2 1 1 benign
## 95 3 1 1 benign
## 96 3 1 1 benign
## 97 1 1 1 benign
## 98 3 1 1 benign
## 99 2 9 10 malignant
## 100 7 9 4 malignant
## 101 3 10 2 malignant
## 102 2 5 1 malignant
## 103 3 1 1 benign
## 104 7 1 1 malignant
## 105 8 8 8 malignant
## 106 3 2 7 malignant
## 107 4 1 1 malignant
## 108 5 7 1 malignant
## 109 2 3 1 benign
## 110 7 8 3 malignant
## 111 5 3 2 benign
## 112 3 1 1 malignant
## 113 7 3 3 malignant
## 114 8 1 1 malignant
## 115 3 1 1 benign
## 116 1 1 1 benign
## 117 3 2 1 benign
## 118 7 5 8 malignant
## 119 1 1 1 benign
## 120 3 1 1 benign
## 121 3 1 1 benign
## 122 3 1 1 benign
## 123 5 3 3 malignant
## 124 5 3 1 malignant
## 125 8 10 1 malignant
## 126 2 1 1 benign
## 127 7 5 5 malignant
## 128 3 1 1 benign
## 129 1 6 2 malignant
## 130 1 1 1 benign
## 131 2 1 1 benign
## 132 3 1 1 benign
## 133 3 6 3 malignant
## 134 2 2 1 benign
## 135 2 1 1 benign
## 136 3 3 1 benign
## 137 2 1 1 benign
## 138 1 1 1 benign
## 139 2 1 1 benign
## 141 1 1 1 benign
## 142 1 1 1 benign
## 143 4 3 3 malignant
## 144 1 1 1 benign
## 145 2 1 1 benign
## 147 4 1 1 malignant
## 148 2 1 1 benign
## 149 5 8 1 benign
## 150 7 8 7 malignant
## 151 3 1 1 benign
## 152 5 4 3 malignant
## 153 8 10 1 malignant
## 154 1 1 1 benign
## 155 1 1 1 benign
## 156 3 1 1 malignant
## 157 2 1 1 benign
## 158 3 1 1 benign
## 160 7 10 6 malignant
## 161 5 7 2 malignant
## 162 3 2 1 benign
## 163 3 1 1 benign
## 164 1 1 7 benign
## 166 3 2 1 benign
## 167 3 10 3 malignant
## 168 3 1 10 malignant
## 169 3 1 1 benign
## 170 1 1 1 benign
## 171 1 1 1 benign
## 172 3 1 1 benign
## 173 2 1 1 benign
## 174 10 10 7 malignant
## 175 6 1 1 malignant
## 176 5 7 1 malignant
## 177 3 1 1 benign
## 178 5 10 3 malignant
## 179 3 1 1 benign
## 180 3 1 1 malignant
## 181 3 1 1 benign
## 182 1 1 1 benign
## 183 3 1 1 benign
## 184 7 8 1 malignant
## 185 5 1 1 malignant
## 186 3 1 1 benign
## 187 7 10 1 malignant
## 188 7 7 10 malignant
## 189 9 10 1 malignant
## 190 3 1 1 benign
## 191 7 10 1 malignant
## 192 4 10 3 malignant
## 193 2 1 1 benign
## 194 3 1 1 benign
## 195 3 1 1 benign
## 196 3 1 1 benign
## 197 7 8 2 benign
## 198 3 1 1 benign
## 199 1 1 1 benign
## 200 2 1 1 benign
## 201 7 8 3 malignant
## 202 8 1 1 malignant
## 203 3 1 1 benign
## 204 3 1 1 benign
## 205 3 1 1 benign
## 206 7 10 5 malignant
## 207 3 5 1 malignant
## 208 3 1 1 benign
## 209 3 1 1 benign
## 210 3 1 1 benign
## 211 8 10 6 malignant
## 212 7 7 1 malignant
## 213 3 1 1 benign
## 214 7 10 4 malignant
## 215 10 6 1 malignant
## 216 5 10 2 malignant
## 217 2 1 1 benign
## 218 3 1 1 benign
## 219 8 10 2 malignant
## 220 3 1 1 benign
## 221 3 1 1 benign
## 222 9 10 1 malignant
## 223 2 1 1 malignant
## 224 7 4 1 malignant
## 225 7 9 2 malignant
## 226 2 1 1 benign
## 227 8 9 1 malignant
## 228 7 7 1 malignant
## 229 3 1 1 benign
## 230 9 10 1 malignant
## 231 7 6 1 malignant
## 232 8 9 2 malignant
## 233 4 3 1 benign
## 234 4 1 1 malignant
## 235 3 6 1 benign
## 237 4 8 10 malignant
## 238 4 10 4 malignant
## 239 3 10 10 malignant
## 240 5 3 2 malignant
## 241 2 3 1 benign
## 242 3 1 1 benign
## 243 3 1 1 benign
## 244 5 1 1 benign
## 245 3 1 1 benign
## 246 3 1 1 benign
## 247 7 8 1 malignant
## 248 3 3 1 malignant
## 249 3 6 1 benign
## 251 1 1 1 benign
## 252 5 3 3 malignant
## 253 3 5 3 benign
## 254 7 3 3 malignant
## 255 3 3 1 malignant
## 256 3 6 1 malignant
## 257 1 1 1 benign
## 258 2 1 1 benign
## 259 3 1 1 benign
## 260 3 4 1 benign
## 261 5 1 3 malignant
## 262 10 6 5 malignant
## 263 7 8 1 malignant
## 264 5 5 1 malignant
## 265 5 3 3 malignant
## 266 3 2 1 benign
## 267 4 3 2 malignant
## 268 7 1 1 malignant
## 269 8 7 8 malignant
## 270 3 1 1 benign
## 271 3 9 2 malignant
## 272 3 1 1 benign
## 273 7 1 1 malignant
## 274 3 3 1 malignant
## 275 3 2 1 benign
## 277 2 1 1 benign
## 278 2 1 1 benign
## 279 3 1 1 benign
## 280 3 3 8 malignant
## 281 3 1 1 benign
## 282 3 1 1 benign
## 283 5 6 1 malignant
## 284 5 3 1 malignant
## 285 3 8 2 malignant
## 286 10 7 3 malignant
## 287 4 10 10 malignant
## 288 2 1 1 benign
## 289 5 10 1 malignant
## 290 4 10 4 malignant
## 291 1 1 1 benign
## 292 3 1 1 benign
## 294 2 3 1 malignant
## 296 7 4 1 malignant
## 297 4 7 1 benign
## 299 1 1 1 benign
## 300 7 7 2 malignant
## 301 7 10 1 malignant
## 302 3 1 1 benign
## 303 7 10 10 malignant
## 304 3 1 1 benign
## 305 3 3 1 malignant
## 306 3 10 4 malignant
## 307 3 1 1 benign
## 308 3 1 1 benign
## 309 8 8 4 malignant
## 310 5 1 1 benign
## 311 2 1 1 benign
## 312 1 1 1 benign
## 313 3 5 1 malignant
## 314 1 1 1 benign
## 315 2 1 1 benign
## 317 4 3 1 malignant
## 318 8 9 1 malignant
## 319 3 1 1 benign
## 320 7 3 1 benign
## 321 7 4 6 malignant
## 323 3 1 1 benign
## 324 4 1 1 malignant
## 325 3 1 1 benign
## 326 2 3 1 benign
## 327 5 4 1 malignant
## 328 2 1 1 benign
## 329 3 10 1 malignant
## 330 7 1 1 malignant
## 331 6 1 1 malignant
## 332 3 1 2 benign
## 333 2 2 1 benign
## 334 4 3 1 malignant
## 335 3 4 2 malignant
## 336 1 1 1 benign
## 337 3 4 1 malignant
## 338 3 1 1 benign
## 339 2 1 1 benign
## 340 4 3 1 malignant
## 341 7 6 1 malignant
## 342 3 1 1 benign
## 343 1 1 1 benign
## 344 1 1 1 benign
## 345 9 5 3 malignant
## 346 1 1 1 benign
## 347 1 3 1 benign
## 348 1 3 1 benign
## 349 3 3 1 malignant
## 350 7 6 1 malignant
## 351 1 1 1 benign
## 352 3 1 1 benign
## 353 4 6 1 benign
## 354 4 9 4 malignant
## 355 2 1 1 benign
## 356 2 2 1 benign
## 357 3 3 3 malignant
## 358 7 3 8 malignant
## 359 4 10 3 malignant
## 360 3 5 3 malignant
## 361 8 10 10 malignant
## 362 5 1 4 malignant
## 363 2 1 1 benign
## 364 2 1 1 benign
## 365 3 1 1 benign
## 366 2 1 1 benign
## 367 7 10 7 malignant
## 368 8 10 3 malignant
## 369 1 1 1 benign
## 370 2 1 1 benign
## 371 2 1 1 benign
## 372 1 1 1 benign
## 373 2 1 1 benign
## 374 2 1 1 benign
## 375 2 1 1 benign
## 376 1 1 1 benign
## 377 2 1 1 benign
## 378 2 1 1 benign
## 379 2 2 1 benign
## 380 3 1 1 benign
## 381 1 1 1 benign
## 382 7 8 4 malignant
## 383 3 2 1 benign
## 384 1 1 1 benign
## 385 1 1 1 benign
## 386 1 2 3 benign
## 387 7 1 1 malignant
## 388 3 1 1 benign
## 389 2 2 1 benign
## 390 2 2 1 benign
## 391 2 1 1 benign
## 392 7 9 1 malignant
## 393 2 1 1 benign
## 394 1 1 1 benign
## 395 2 1 1 benign
## 396 2 1 1 benign
## 397 3 1 1 benign
## 398 1 1 1 benign
## 399 2 2 1 benign
## 400 1 1 1 benign
## 401 9 3 8 malignant
## 402 1 1 1 benign
## 403 2 1 1 benign
## 404 1 1 1 benign
## 405 1 2 1 benign
## 406 2 1 1 benign
## 407 2 1 1 benign
## 408 2 1 1 benign
## 409 3 1 1 benign
## 410 2 1 1 benign
## 411 2 1 1 benign
## 413 8 5 1 malignant
## 414 3 1 1 benign
## 415 6 6 1 malignant
## 416 3 5 1 benign
## 417 7 2 1 malignant
## 418 2 1 1 benign
## 419 3 2 2 benign
## 420 1 1 1 benign
## 421 3 1 1 benign
## 422 8 2 1 malignant
## 423 3 3 1 benign
## 424 2 1 1 benign
## 425 1 1 1 benign
## 426 10 10 1 malignant
## 427 1 1 1 benign
## 428 5 10 1 malignant
## 429 2 1 1 benign
## 430 2 1 1 benign
## 431 2 2 1 benign
## 432 3 2 1 benign
## 433 2 2 1 benign
## 434 1 1 1 benign
## 435 4 2 1 benign
## 436 5 1 1 malignant
## 437 2 8 1 malignant
## 438 1 1 1 benign
## 439 1 1 1 benign
## 440 1 1 1 benign
## 441 10 1 1 malignant
## 442 1 1 1 benign
## 443 1 1 1 benign
## 444 1 1 1 benign
## 445 2 1 1 benign
## 446 1 1 1 benign
## 447 1 1 1 benign
## 448 1 1 1 benign
## 449 1 1 1 benign
## 450 8 10 1 malignant
## 451 2 1 1 benign
## 452 1 1 1 benign
## 453 1 1 1 benign
## 454 10 7 1 malignant
## 455 1 1 1 benign
## 456 1 1 2 malignant
## 457 8 6 1 malignant
## 458 10 10 1 malignant
## 459 1 1 1 benign
## 460 1 1 1 benign
## 461 1 1 1 benign
## 462 1 1 1 benign
## 463 1 1 1 benign
## 464 1 2 1 benign
## 465 1 1 1 benign
## 466 7 10 3 malignant
## 467 9 7 1 malignant
## 468 7 6 2 malignant
## 469 1 1 1 benign
## 470 2 1 1 benign
## 471 2 1 1 benign
## 472 1 1 1 benign
## 473 1 1 1 benign
## 474 1 1 1 benign
## 475 1 1 1 benign
## 476 1 1 1 benign
## 477 1 1 1 benign
## 478 1 1 1 benign
## 479 1 1 1 benign
## 480 7 5 1 malignant
## 481 1 1 1 benign
## 482 1 1 1 benign
## 483 10 10 10 malignant
## 484 9 10 1 malignant
## 485 1 1 1 benign
## 486 1 1 1 benign
## 487 2 1 1 benign
## 488 8 1 5 malignant
## 489 3 4 1 malignant
## 490 4 1 1 malignant
## 491 1 1 1 benign
## 492 7 1 1 malignant
## 493 2 1 1 benign
## 494 6 5 2 malignant
## 495 2 1 1 benign
## 496 2 1 1 benign
## 497 1 1 1 benign
## 498 1 1 1 benign
## 499 2 1 1 benign
## 500 2 1 1 benign
## 501 3 1 1 benign
## 502 2 1 1 benign
## 503 2 1 1 benign
## 504 3 1 1 benign
## 505 1 1 1 benign
## 506 1 1 1 benign
## 507 4 8 7 malignant
## 508 1 1 1 benign
## 509 1 1 1 benign
## 510 1 1 1 benign
## 511 1 1 1 benign
## 512 2 1 1 benign
## 513 1 1 1 benign
## 514 2 1 1 benign
## 515 8 10 2 malignant
## 516 9 10 1 malignant
## 517 1 1 1 benign
## 518 2 1 1 benign
## 519 1 1 1 benign
## 520 9 1 1 malignant
## 521 1 1 1 benign
## 522 1 1 1 benign
## 523 7 3 1 malignant
## 524 5 3 1 malignant
## 525 2 1 1 benign
## 526 1 1 1 benign
## 527 1 1 1 benign
## 528 3 1 1 benign
## 529 1 1 1 benign
## 530 2 1 1 benign
## 531 6 9 1 malignant
## 532 2 1 1 benign
## 533 3 1 1 benign
## 534 2 1 1 benign
## 535 2 1 1 benign
## 536 3 1 1 benign
## 537 3 1 1 benign
## 538 3 1 1 benign
## 539 2 1 1 benign
## 540 2 1 1 benign
## 541 2 1 1 benign
## 542 1 1 1 benign
## 543 1 1 1 benign
## 544 2 1 1 benign
## 545 2 1 1 benign
## 546 2 1 1 benign
## 547 7 10 1 malignant
## 548 1 1 1 benign
## 549 1 1 1 benign
## 550 7 8 2 malignant
## 551 2 1 1 benign
## 552 3 1 1 benign
## 553 4 2 1 benign
## 554 2 1 2 benign
## 555 1 1 1 benign
## 556 4 8 1 benign
## 557 2 1 1 benign
## 558 1 1 1 benign
## 559 2 1 1 benign
## 560 2 1 1 benign
## 561 3 1 1 benign
## 562 3 1 1 benign
## 563 3 1 1 benign
## 564 2 1 1 benign
## 565 3 2 1 benign
## 566 10 10 1 malignant
## 567 3 1 1 benign
## 568 2 1 1 benign
## 569 2 5 2 malignant
## 570 10 3 1 malignant
## 571 8 2 1 malignant
## 572 9 10 2 malignant
## 573 2 1 1 benign
## 574 2 1 1 benign
## 575 7 7 1 malignant
## 576 3 1 1 benign
## 577 2 1 1 benign
## 578 2 1 1 benign
## 579 2 1 1 benign
## 580 3 1 1 benign
## 581 2 1 1 benign
## 582 7 5 1 malignant
## 583 6 10 1 malignant
## 584 1 1 1 benign
## 585 1 1 1 benign
## 586 1 1 1 benign
## 587 10 10 1 malignant
## 588 2 2 1 benign
## 589 4 1 1 malignant
## 590 1 1 1 benign
## 591 10 1 1 malignant
## 592 7 6 1 malignant
## 593 4 1 1 malignant
## 594 1 1 1 benign
## 595 7 1 1 malignant
## 596 2 1 1 benign
## 597 2 1 1 benign
## 598 3 1 1 benign
## 599 2 1 1 benign
## 600 1 1 1 benign
## 601 2 1 1 benign
## 602 2 1 1 benign
## 603 2 1 1 benign
## 604 8 10 1 malignant
## 605 8 1 2 malignant
## 606 7 8 3 malignant
## 607 1 1 1 benign
## 608 1 1 1 benign
## 609 10 1 1 malignant
## 610 1 1 1 benign
## 611 7 1 2 malignant
## 612 8 5 1 malignant
## 613 10 10 10 malignant
## 614 2 1 1 benign
## 615 2 1 1 benign
## 616 2 1 1 benign
## 617 2 1 1 benign
## 619 2 1 1 benign
## 620 2 1 1 benign
## 621 2 1 1 benign
## 622 6 1 1 benign
## 623 2 1 1 benign
## 624 1 1 1 benign
## 625 2 1 1 benign
## 626 1 1 1 benign
## 627 7 7 3 malignant
## 628 1 1 1 benign
## 629 1 1 1 benign
## 630 1 1 1 benign
## 631 1 1 1 benign
## 632 2 1 1 benign
## 633 1 1 1 benign
## 634 5 10 1 malignant
## 635 1 1 1 benign
## 636 1 1 1 benign
## 637 10 10 3 malignant
## 638 2 1 1 benign
## 639 1 1 1 benign
## 640 1 1 1 benign
## 641 1 1 1 benign
## 642 2 1 1 benign
## 643 2 1 1 benign
## 644 1 1 1 benign
## 645 1 1 1 benign
## 646 2 1 1 benign
## 647 1 1 1 benign
## 648 1 1 1 benign
## 649 10 10 10 malignant
## 650 2 1 1 benign
## 651 1 1 1 benign
## 652 2 1 1 benign
## 653 2 2 1 benign
## 654 2 1 1 benign
## 655 3 1 1 benign
## 656 2 1 1 benign
## 657 2 1 1 benign
## 658 3 6 1 benign
## 659 7 2 3 malignant
## 660 1 1 1 benign
## 661 2 1 1 benign
## 662 3 1 1 benign
## 663 2 1 1 benign
## 664 2 1 1 benign
## 665 2 1 1 benign
## 666 1 1 1 benign
## 667 1 1 2 benign
## 668 3 1 1 benign
## 669 7 10 3 malignant
## 670 7 10 1 malignant
## 671 7 4 1 malignant
## 672 3 1 1 benign
## 673 3 1 1 benign
## 674 1 1 1 benign
## 675 2 1 1 benign
## 676 1 1 1 benign
## 677 2 1 1 benign
## 678 1 1 1 benign
## 679 1 1 1 benign
## 680 1 1 1 benign
## 681 10 10 7 malignant
## 682 5 6 3 malignant
## 683 3 2 1 benign
## 684 1 1 1 benign
## 685 1 1 1 benign
## 686 1 1 1 benign
## 687 1 1 1 benign
## 688 2 3 1 benign
## 689 1 1 1 benign
## 690 1 1 8 benign
## 691 1 1 1 benign
## 692 4 4 1 malignant
## 693 1 1 1 benign
## 694 2 1 2 benign
## 695 1 1 1 benign
## 696 1 1 1 benign
## 697 8 10 2 malignant
## 698 10 6 1 malignant
## 699 10 4 1 malignantdata_norm <- as.data.frame(lapply(data_bc[1:9], min_max_norm))
data_norm$Class <- data_bc$Class # Menggabungkan kembali label kelas
summary(data_norm) # Ringkasan statistik setelah normalisasi## Cl.thickness Cell.size Cell.shape Marg.adhesion
## Min. :0.0000 Min. :0.0000 Min. :0.0000 Min. :0.0000
## 1st Qu.:0.1111 1st Qu.:0.0000 1st Qu.:0.0000 1st Qu.:0.0000
## Median :0.3333 Median :0.0000 Median :0.0000 Median :0.0000
## Mean :0.3825 Mean :0.2390 Mean :0.2461 Mean :0.2034
## 3rd Qu.:0.5556 3rd Qu.:0.4444 3rd Qu.:0.4444 3rd Qu.:0.3333
## Max. :1.0000 Max. :1.0000 Max. :1.0000 Max. :1.0000
## Epith.c.size Bare.nuclei Bl.cromatin Normal.nucleoli
## Min. :0.0000 Min. :0.0000 Min. :0.0000 Min. :0.0000
## 1st Qu.:0.1111 1st Qu.:0.0000 1st Qu.:0.1111 1st Qu.:0.0000
## Median :0.1111 Median :0.0000 Median :0.2222 Median :0.0000
## Mean :0.2483 Mean :0.2827 Mean :0.2717 Mean :0.2077
## 3rd Qu.:0.3333 3rd Qu.:0.5556 3rd Qu.:0.4444 3rd Qu.:0.3333
## Max. :1.0000 Max. :1.0000 Max. :1.0000 Max. :1.0000
## Mitoses Class
## Min. :0.00000 benign :444
## 1st Qu.:0.00000 malignant:239
## Median :0.00000
## Mean :0.06702
## 3rd Qu.:0.00000
## Max. :1.00000Intepretasi Hasil 4.3
Berdasarkan hasil normalisasi menggunakan metode Min-Max, diperoleh
data sebanyak 683 observasi dengan 10 variabel, yang terdiri atas
sembilan variabel prediktor dan satu variabel respons
(Class). Seluruh variabel prediktor memiliki nilai minimum
0 dan maksimum 1, yang menunjukkan bahwa data telah berhasil
diseragamkan ke dalam rentang tersebut. Hasil statistik deskriptif
menunjukkan bahwa variabel Cl.thickness memiliki nilai
rata-rata tertinggi, yaitu 0,3825, sedangkan variabel
Mitoses memiliki nilai rata-rata terendah, yaitu 0,06702.
Sementara itu, variabel respons Class terdiri atas 444
observasi dengan kategori benign (jinak) dan 239 observasi
dengan kategori malignant (ganas). Hal ini menunjukkan bahwa
jumlah data pada kelas benign lebih banyak dibandingkan kelas
malignant. Dengan demikian, data telah melalui proses
pembersihan dan normalisasi sehingga memiliki skala yang seragam dan
siap digunakan untuk tahap klasifikasi menggunakan algoritma K-Nearest
Neighbor (K-NN).
4.4 Membagi dataset menjadi 70% data latih (training) dan 30% data uji (testing)
set.seed(12321)
# Mengambil indeks sampel acak sebesar 70% dari total data
train_indices <- sample(seq_len(nrow(data_norm)), size = 0.70 * nrow(data_norm))
# Memisahkan matriks fitur prediktor
train_x <- data_norm[train_indices, 1:9]
test_x <- data_norm[-train_indices, 1:9]
# Memisahkan vektor label kelas
train_y <- factor(data_norm$Class[train_indices],
levels = c("benign", "malignant"))
test_y <- factor(data_norm$Class[-train_indices],
levels = c("benign", "malignant"))
cat("Dimensi Data Latih (Train):", nrow(train_x), "baris,", ncol(train_x), "fitur\n")## Dimensi Data Latih (Train): 478 baris, 9 fiturcat("Dimensi Data Uji (Test):", nrow(test_x), "baris,", ncol(test_x), "fitur\n")## Dimensi Data Uji (Test): 205 baris, 9 fiturIntepretasi Hasil 4.4
Berdasarkan hasil pembagian data (data splitting), dataset yang telah melalui tahap preprocessing dibagi menjadi dua bagian, yaitu data latih (training data) dan data uji (testing data). Data latih terdiri atas 478 baris observasi dengan sembilan fitur prediktor, sedangkan data uji terdiri atas 205 baris observasi dengan sembilan fitur prediktor. Pembagian ini menggunakan proporsi sekitar 70% untuk data latih dan 30% untuk data uji. Data latih digunakan untuk membangun model klasifikasi K-Nearest Neighbor (K-NN), sedangkan data uji digunakan untuk mengukur kemampuan model dalam mengklasifikasikan data yang belum pernah digunakan selama proses pelatihan. Dengan demikian, pembagian data ini bertujuan untuk mengevaluasi kinerja model secara objektif.
4.5 Menentukan nilai k yang akan diuji
k_values <- c(3, 5, 7, 9, 11)
# Menyiapkan penyimpanan hasil evaluasi
hasil_evaluasi <- data.frame()
# Pengujian iteratif untuk setiap nilai k
for (i in seq_along(k_values)) {
k_val <- k_values[i]
# Melakukan klasifikasi K-NN
pred_uji <- knn(train = train_x,
test = test_x,
cl = train_y,
k = k_val)
# Menghitung confusion matrix
evaluasi_model <- confusionMatrix(
data = pred_uji,
reference = test_y,
positive = "malignant"
)
# Menyimpan hasil evaluasi
hasil_evaluasi <- rbind(
hasil_evaluasi,
data.frame(
k = k_val,
Accuracy = evaluasi_model$overall["Accuracy"],
Sensitivity = evaluasi_model$byClass["Sensitivity"],
Specificity = evaluasi_model$byClass["Specificity"]
)
)
}
# Menampilkan hasil evaluasi
print(hasil_evaluasi)## k Accuracy Sensitivity Specificity
## Accuracy 3 0.9658537 0.9565217 0.9705882
## Accuracy1 5 0.9707317 0.9710145 0.9705882
## Accuracy2 7 0.9707317 0.9565217 0.9779412
## Accuracy3 9 0.9804878 0.9855072 0.9779412
## Accuracy4 11 0.9804878 0.9855072 0.9779412Intepretasi Hasil 4.5
Berdasarkan hasil pengujian algoritma K-Nearest Neighbor (K-NN) dengan lima variasi nilai \(k\), yaitu 3, 5, 7, 9, dan 11, diperoleh nilai akurasi, sensitivitas, dan spesifisitas yang berbeda. Pada nilai \(k=3\), diperoleh akurasi sebesar 96,59%, sensitivitas 95,65%, dan spesifisitas 97,06%. Pada \(k=5\), akurasi meningkat menjadi 97,07%, sensitivitas 97,10%, dan spesifisitas 97,06%. Selanjutnya, pada \(k=7\), diperoleh akurasi sebesar 97,07%, sensitivitas 95,65%, dan spesifisitas 97,79%. Sementara itu, nilai \(k=9\) dan \(k=11\) menghasilkan kinerja yang sama, yaitu akurasi sebesar 98,05%, sensitivitas 98,55%, dan spesifisitas 97,79%. Berdasarkan hasil tersebut, nilai \(k=9\) dan \(k=11\) memberikan performa terbaik dibandingkan nilai \(k\) lainnya karena menghasilkan nilai akurasi, sensitivitas, dan spesifisitas tertinggi. Dengan demikian, apabila pemilihan nilai \(k\) didasarkan pada hasil evaluasi tersebut, maka \(k=9\) dapat dipilih sebagai nilai optimal karena menghasilkan kinerja terbaik dan muncul lebih dahulu dibandingkan \(k=11\) dalam daftar pengujian.
4.6 Menentukan nilai k paling optimal berdasarkan Sensitivity tertinggi
hasil_urut <- hasil_evaluasi[
order(-hasil_evaluasi$Sensitivity,
-hasil_evaluasi$Accuracy,
-hasil_evaluasi$Specificity), ]
k_optimal <- hasil_urut$k[1]
cat("\nNilai k paling optimal adalah:", k_optimal, "\n")##
## Nilai k paling optimal adalah: 9# Menyiapkan data untuk visualisasi
tabel_grafik <- data.frame(
k = rep(k_values, 3),
Nilai = c(
hasil_evaluasi$Accuracy,
hasil_evaluasi$Sensitivity,
hasil_evaluasi$Specificity
),
Metrik = rep(
c("Accuracy", "Sensitivity", "Specificity"),
each = length(k_values)
)
)Intepretasi Hasil 4.6
Berdasarkan hasil perbandingan lima nilai \(k\), yaitu 3, 5, 7, 9, dan 11, diperoleh bahwa nilai \(k\) paling optimal adalah 9. Nilai ini menghasilkan akurasi sebesar 98,05%, sensitivitas sebesar 98,55%, dan spesifisitas sebesar 97,79%. Hasil tersebut menunjukkan bahwa model K-NN dengan \(k=9\) memiliki kemampuan klasifikasi yang sangat baik dalam mengidentifikasi kedua kategori, yaitu benign (jinak) dan malignant (ganas). Meskipun nilai \(k=11\) menghasilkan metrik evaluasi yang sama, nilai \(k=9\) dipilih karena memberikan hasil terbaik dan muncul lebih dahulu dalam urutan pengujian.
4.7 Visualisasi perbandingan metrik evaluasi
ggplot(tabel_grafik, aes(x = k, y = Nilai, color = Metrik, group = Metrik)) +
geom_line(linewidth = 1.1) +
geom_point(size = 2.8) +
scale_x_continuous(breaks = k_values) +
scale_y_continuous(labels = scales::percent_format(accuracy = 0.1)) +
labs(
title = "Perbandingan Metrik Evaluasi Klasifikasi k-NN",
subtitle = "Evaluasi pada Dataset BreastCancer",
x = "Jumlah Tetangga Terdekat (k)",
y = "Nilai Evaluasi",
color = "Metrik Evaluasi"
) +
theme_minimal(base_size = 11) +
theme(
plot.title = element_text(face = "bold", hjust = 0.5),
plot.subtitle = element_text(hjust = 0.5),
panel.grid.minor = element_blank()
)
Intepretasi Hasil 4.7
Berdasarkan grafik perbandingan metrik evaluasi klasifikasi K-Nearest Neighbor (K-NN) pada dataset BreastCancer, terlihat bahwa nilai akurasi, sensitivitas, dan spesifisitas mengalami perubahan pada setiap variasi jumlah tetangga terdekat \(k\). Pada \(k=3\), model menghasilkan akurasi sebesar 96,59%, sensitivitas 95,65%, dan spesifisitas 97,06%. Pada \(k=5\), ketiga metrik menunjukkan nilai yang relatif seimbang, dengan akurasi dan sensitivitas sekitar 97,07% serta spesifisitas 97,06%. Pada \(k=7\), akurasi tetap sebesar 97,07%, sensitivitas menurun menjadi 95,65%, sedangkan spesifisitas meningkat menjadi 97,79%. Selanjutnya, pada \(k=9\) dan \(k=11\), model menghasilkan nilai evaluasi tertinggi, yaitu akurasi 98,05%, sensitivitas 98,55%, dan spesifisitas 97,79%. Hal ini menunjukkan bahwa kedua nilai \(k\) tersebut memberikan kemampuan klasifikasi terbaik dalam pengujian, baik dalam mengenali kelas malignant (ganas) maupun kelas benign (jinak). Dengan demikian, berdasarkan hasil pengujian, nilai \(k=9\) dipilih sebagai nilai optimal karena menghasilkan performa terbaik dan memiliki nilai evaluasi yang sama dengan \(k=11\).
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan
Algoritma K-Nearest Neighbors (K-NN) merupakan metode supervised learning non-parametrik yang digunakan untuk menyelesaikan permasalahan klasifikasi maupun regresi. Metode ini bekerja dengan menentukan sejumlah \(k\) tetangga terdekat berdasarkan jarak antara data baru dan data latih. Pada kasus klasifikasi, kelas suatu data baru ditentukan berdasarkan kelas yang paling banyak muncul di antara \(k\) tetangga terdekat (majority voting).
Penskalaan fitur merupakan tahapan preprocessing yang bertujuan untuk menyamakan rentang nilai antarvariabel prediktor. Tahapan ini penting dalam algoritma K-NN karena perhitungan jarak sangat dipengaruhi oleh skala setiap fitur. Apabila terdapat fitur dengan rentang nilai yang jauh lebih besar dibandingkan fitur lainnya, fitur tersebut dapat mendominasi perhitungan jarak sehingga memengaruhi hasil klasifikasi.
Implementasi algoritma K-NN dilakukan menggunakan bahasa pemrograman R dengan bantuan pustaka class dan caret. Pustaka class digunakan untuk menjalankan proses klasifikasi menggunakan fungsi knn(), sedangkan pustaka caret digunakan untuk mengevaluasi hasil klasifikasi melalui fungsi confusionMatrix(). Proses implementasi dilakukan secara terstruktur, dimulai dari memuat dataset BreastCancer, melakukan preprocessing, menghapus variabel identitas, mengubah tipe data prediktor menjadi numerik, menangani missing value, dan melakukan normalisasi Min-Max.
Evaluasi performa model klasifikasi dilakukan menggunakan Confusion Matrix untuk membandingkan hasil prediksi dengan kelas aktual. Confusion Matrix menghasilkan empat komponen, yaitu True Positive (TP), True Negative (TN), False Positive (FP), dan False Negative (FN). Selanjutnya, performa model diukur menggunakan empat metrik, yaitu Accuracy untuk mengetahui proporsi keseluruhan prediksi yang benar, Sensitivity untuk mengukur kemampuan model dalam mengidentifikasi kelas positif secara tepat, Specificity untuk mengukur kemampuan model dalam mengidentifikasi kelas negatif secara tepat, serta Positive Predictive Value (PPV) untuk mengetahui proporsi prediksi positif yang benar-benar termasuk kelas positif.
Optimasi hiperparameter (hyperparameter tuning) dilakukan untuk memperoleh nilai \(k\) yang memberikan performa klasifikasi terbaik. Nilai \(k\) merupakan jumlah tetangga terdekat yang digunakan dalam menentukan kelas suatu data baru. Nilai \(k\) yang terlalu kecil dapat menyebabkan model sensitif terhadap noise, sedangkan nilai \(k\) yang terlalu besar dapat menyebabkan batas keputusan menjadi kurang spesifik.
Berdasarkan hasil penerapan algoritma K-Nearest Neighbor (K-NN)
pada dataset BreastCancer, dapat disimpulkan bahwa algoritma K-NN
mampu melakukan klasifikasi kanker payudara ke dalam dua kategori, yaitu
benign (jinak) dan malignant (ganas), dengan performa
yang sangat baik. Tahapan penelitian dimulai dari memuat dataset,
melakukan preprocessing dengan menghapus variabel identitas
(Id), mengubah tipe data prediktor menjadi numerik,
menangani missing value, serta melakukan normalisasi
menggunakan metode Min-Max. Selanjutnya, data sebanyak 683 observasi
dibagi menjadi 478 data latih (70%) dan 205 data uji (30%), dengan
menggunakan sembilan variabel prediktor. Pengujian dilakukan menggunakan
lima variasi nilai \(k\), yaitu 3, 5,
7, 9, dan 11. Berdasarkan hasil evaluasi menggunakan metrik
Accuracy, Sensitivity, dan Specificity,
diperoleh bahwa nilai \(k=9\) merupakan
nilai optimal dengan akurasi sebesar 98,05%, sensitivitas
sebesar 98,55%, dan spesifisitas sebesar 97,79%.
Meskipun nilai \(k=11\) menghasilkan
metrik yang sama, nilai \(k=9\) dipilih
sebagai nilai optimal karena memberikan performa terbaik dan muncul
lebih dahulu dalam pengujian. Dengan demikian, model K-NN menggunakan
\(k=9\) menunjukkan kemampuan
klasifikasi yang sangat baik dalam membedakan kanker payudara jinak dan
ganas berdasarkan dataset yang digunakan..
5.2 Saran
Dalam membuat laporan praktikum ini penulis menyarankan untuk selalu memperhatikan sintaks pada program R yang digunakan. Selain itu, perlu untuk memperhatikan tata cara penulisan yang sesuai dengan KBBI dan penulisan yang bercetak tebal. Sehingga dapat menghasilkan laporan yang baik
DAFTAR PUSTAKA
Fransiska, H. (2026). Modul Praktikum Machine Learning. Universitas Bengkulu.
Halder, R. K., Uddin, M. N., Uddin, M. A., Aryal, S., & Khraisat, A. (2024). Enhancing K-nearest neighbor algorithm: A comprehensive review and performance analysis of modifications. Journal of Big Data, 11, Article 113. https://doi.org/10.1186/s40537-024-00973-y
Gunawan, M. N., Farhanah, T., Masruroh, S. U., Jundulloh, A. M., Raushanfikar, N. Z., & Amriza, R. N. S. (2024). Accuracy of K-nearest neighbors algorithm classification for archiving research publications. MATRIK: Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, 23(3), 593–602. https://doi.org/10.30812/matrik.v23i3.3915
Rahim, R., Ahmar, A. S., & Hidayat, R. (2022). Cross-validation and validation set methods for choosing K in KNN algorithm for healthcare case study. JINAV: Journal of Information and Visualization, 3(1). https://doi.org/10.35877/454RI.jinav1557
Sabri, M., Verde, R., Balzanella, A., Maturo, F., Tairi, H., & Yahyaouy, A. (2024). A novel classification algorithm based on the synergy between dynamic clustering with adaptive distances and K-nearest neighbors. Journal of Classification, 41, 264–288. https://doi.org/10.1007/s00357-024-09471-5
Wang, B., & Zhang, S. (2022). A new locally adaptive K-nearest centroid neighbor classification based on the average distance. Connection Science, 34(1), 2084–2107. https://doi.org/10.1080/09540091.2022.2088695