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.
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
Adapun manfaat dari pratikum kali ini adalah:
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.
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):
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.
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.
Langkah-langkah yang digunakan pada penelitian untuk batasan masalah adalah sebagai berikut:
library(class) # Menyediakan fitur knn
library(caret) # Menghitung matriks konfusi
## Loading required package: ggplot2
## Loading required package: lattice
library(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 malignant
table(BreastCancer$Class) # Memeriksa persebaran frekuensi kelas
##
## benign malignant
## 458 241
Berdasarkan sintaks yang dijalankan, dataset BreastCancer dari package mlbench terlebih dahulu dimuat ke dalam R untuk digunakan sebagai data dalam analisis klasifikasi menggunakan metode K-Nearest Neighbor (KNN). Perintah str() digunakan untuk mengetahui struktur dataset, termasuk jumlah observasi, variabel, serta tipe data pada setiap kolom. Selanjutnya, fungsi head() menampilkan enam data pertama untuk memberikan gambaran awal mengenai isi dataset dan karakteristik setiap variabel. Sementara itu, fungsi table() digunakan untuk mengetahui jumlah data pada masing-masing kategori variabel Class, yaitu benign (tumor jinak) dan malignant (tumor ganas). Informasi tersebut diperlukan untuk melihat distribusi kelas pada dataset sehingga dapat diketahui kondisi keseimbangan data sebelum dilakukan proses klasifikasi lebih lanjut.
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 malignant
Pada tahap ini dilakukan pengolahan awal terhadap dataset BreastCancer agar dapat digunakan dalam analisis K-Nearest Neighbor (K-NN). Variabel Id dihilangkan karena hanya menunjukkan nomor identitas setiap observasi dan tidak memberikan informasi mengenai karakteristik tumor. Selanjutnya, sembilan variabel prediktor dikonversi ke dalam bentuk numerik agar dapat diproses oleh algoritma K-NN yang menggunakan perhitungan jarak antarobservasi. Setelah proses konversi, fungsi na.omit() diterapkan untuk membuang baris data yang masih mengandung nilai kosong. Hasilnya diperoleh 683 observasi dengan 10 variabel, yaitu sembilan variabel prediktor dan satu variabel respons Class. Dengan demikian, data yang digunakan pada tahap berikutnya sudah tidak memiliki nilai hilang dan memiliki format yang sesuai untuk proses klasifikasi.
# 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 malignant
data_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. :1.00000
Normalisasi dilakukan terhadap sembilan variabel prediktor menggunakan metode Min-Max dengan mengubah rentang nilai setiap variabel menjadi 0 sampai 1. Berdasarkan hasil fungsi summary(), seluruh variabel prediktor telah memiliki nilai minimum 0 dan maksimum 1. Dari hasil ringkasan tersebut, diketahui bahwa Cl.thickness memiliki rata-rata tertinggi sebesar 0,3825, sedangkan Mitoses mempunyai rata-rata terendah sebesar 0,06702. Variabel Class tetap dipertahankan dalam bentuk kategori karena berperan sebagai label yang akan diprediksi oleh model. Proses ini penting dalam K-NN karena metode tersebut menggunakan perhitungan jarak, sehingga perbedaan skala antarvariabel dapat memengaruhi hasil penentuan tetangga terdekat. Oleh karena itu, normalisasi membantu agar seluruh prediktor memiliki rentang nilai yang sebanding.
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$Class[-train_indices],
levels = c("benign", "malignant"))
cat("Dimensi Data Latih (Train):", nrow(train_x), "baris,", ncol(train_x), "fitur\n")
## Dimensi Data Latih (Train): 478 baris, 9 fitur
cat("Dimensi Data Uji (Test):", nrow(test_x), "baris,", ncol(test_x), "fitur\n")
## Dimensi Data Uji (Test): 205 baris, 9 fitur
Pada tahap ini, data hasil preprocessing dibagi menjadi dua kelompok menggunakan proporsi 70% untuk data latih dan 30% untuk data uji. Dari total 683 observasi, sebanyak 478 observasi dialokasikan sebagai data latih, sedangkan 205 observasi lainnya digunakan sebagai data uji. Setiap kelompok memiliki sembilan variabel prediktor yang digunakan dalam proses klasifikasi. Data latih berfungsi sebagai dasar bagi algoritma K-NN untuk mengenali pola berdasarkan kedekatan karakteristik antarobservasi. Adapun data uji digunakan untuk mengetahui sejauh mana model mampu menentukan kategori tumor pada observasi yang tidak disertakan dalam proses pembentukan model. Dengan adanya pemisahan tersebut, kemampuan klasifikasi dapat dinilai menggunakan data yang berbeda dari data latih.
k_values <- c(3, 5, 7, 9, 11)
# Menyiapkan penyimpanan hasil evaluasi
hasil_evaluasi <- data.frame()
# Pengujian iteratif untuk setiap nilai k
for (i in seq_along(k_values)) {
k_val <- k_values[i]
# Melakukan klasifikasi K-NN
pred_uji <- knn(train = train_x,
test = test_x,
cl = train_y,
k = k_val)
# Menghitung confusion matrix
evaluasi_model <- confusionMatrix(
data = pred_uji,
reference = test_y,
positive = "malignant"
)
# Menyimpan hasil evaluasi
hasil_evaluasi <- rbind(
hasil_evaluasi,
data.frame(
k = k_val,
Accuracy = evaluasi_model$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 0.9779412
Pengujian dilakukan dengan menggunakan lima variasi jumlah tetangga terdekat (\(k\)), yaitu 3, 5, 7, 9, dan 11. Setiap nilai \(k\) diterapkan pada data uji untuk menghasilkan prediksi kelas, kemudian hasilnya dibandingkan dengan kelas sebenarnya melalui confusion matrix. Penilaian kinerja model menggunakan tiga ukuran, yaitu accuracy, sensitivity, dan specificity. Berdasarkan hasil pengujian, nilai \(k=3\) menghasilkan akurasi 96,59%, sensitivitas 95,65%, dan spesifisitas 97,06%. Pada \(k=5\), akurasi dan sensitivitas meningkat menjadi 97,07% dan 97,10%. Sementara itu, \(k=7\) menghasilkan akurasi 97,07%, sensitivitas 95,65%, dan spesifisitas 97,79%. Hasil terbaik diperoleh pada \(k=9\) dan \(k=11\), dengan akurasi 98,05%, sensitivitas 98,55%, serta spesifisitas 97,79%. Perbedaan hasil tersebut memperlihatkan bahwa jumlah tetangga yang digunakan dapat memengaruhi kemampuan model dalam mengelompokkan data ke dalam kelas yang tepat.
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)
)
)
Pemilihan nilai \(k\) optimal dilakukan dengan mengurutkan hasil evaluasi berdasarkan nilai sensitivitas tertinggi, kemudian mempertimbangkan akurasi dan spesifisitas apabila terdapat nilai yang sama. Dari proses pengurutan tersebut, diperoleh nilai \(k\) optimal sebesar 9. Model dengan nilai tersebut memiliki sensitivitas 98,55%, yang berarti mampu mengidentifikasi sekitar 98,55% observasi yang sebenarnya termasuk dalam kategori malignant. Selain itu, model juga menghasilkan akurasi 98,05% dan spesifisitas 97,79%. Walaupun \(k=11\) memberikan hasil evaluasi yang identik, nilai \(k=9\) terpilih karena berada pada urutan pertama setelah proses pengurutan. Dengan demikian, nilai tersebut digunakan sebagai pilihan parameter untuk model K-NN berdasarkan kriteria evaluasi yang telah ditentukan.
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()
)
Grafik yang dihasilkan memperlihatkan perbandingan nilai accuracy, sensitivity, dan specificity pada setiap variasi \(k\). Terlihat bahwa ketiga metrik mengalami perubahan seiring bertambahnya jumlah tetangga yang digunakan dalam proses klasifikasi. Pada \(k=3\), nilai evaluasi masih berada pada kisaran 95–97%. Selanjutnya, pada \(k=5\) dan \(k=7\), terjadi beberapa perubahan pada ketiga ukuran evaluasi, terutama pada nilai sensitivitas dan spesifisitas. Performa tertinggi terlihat ketika menggunakan \(k=9\) dan \(k=11\), karena ketiga metrik mencapai nilai yang sama, yaitu akurasi 98,05%, sensitivitas 98,55%, dan spesifisitas 97,79%. Kedekatan nilai ketiga metrik tersebut menunjukkan bahwa model memiliki kemampuan yang relatif seimbang dalam mengenali kedua kategori tumor. Berdasarkan visualisasi dan hasil evaluasi numerik, \(k=9\) ditetapkan sebagai nilai yang digunakan dalam klasifikasi karena memberikan hasil terbaik dengan nilai evaluasi yang setara dengan \(k=11\).
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 seluruh tahapan analisis yang telah dilakukan, dapat disimpulkan bahwa metode K-Nearest Neighbor (K-NN) berhasil diterapkan untuk mengklasifikasikan dataset BreastCancer ke dalam kategori benign (jinak) dan malignant (ganas). Proses diawali dengan menghapus variabel identitas, mengubah tipe data prediktor menjadi numerik, menangani nilai hilang, serta melakukan normalisasi menggunakan metode Min-Max. Selanjutnya, data dibagi menjadi 478 observasi sebagai data latih dan 205 observasi sebagai data uji. Pengujian dilakukan menggunakan lima variasi nilai \(k\), yaitu 3, 5, 7, 9, dan 11. Berdasarkan hasil evaluasi, nilai \(k=9\) dipilih sebagai nilai optimal karena menghasilkan akurasi sebesar 98,05%, sensitivitas 98,55%, dan spesifisitas 97,79%. Hasil tersebut menunjukkan bahwa metode K-NN memiliki kemampuan klasifikasi yang sangat baik dalam membedakan kedua kategori tumor berdasarkan karakteristik prediktornya.
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
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