Machine learning merupakan cabang dari artificial intelligence yang memungkinkan komputer mempelajari pola dari data tanpa diprogram secara eksplisit untuk setiap aturan keputusan. Salah satu pendekatan yang paling banyak digunakan adalah supervised learning, yaitu proses pembelajaran model menggunakan data yang sudah memiliki label atau kelas yang diketahui. Melalui data tersebut, model mempelajari hubungan antara variabel prediktor dan variabel respons sehingga mampu memprediksi kelas pada observasi baru. Dalam konteks ini, algoritma klasifikasi berperan penting karena menjadi dasar dalam mengelompokkan data ke dalam kategori tertentu secara akurat dan konsisten (Farhan, Puspasari, & Gasim, 2025).
\(k\)-Nearest Neighbors (\(k\)-NN) merupakan salah satu algoritma klasifikasi yang bersifat nonparametrik, artinya algoritma ini tidak mengasumsikan bentuk distribusi tertentu pada data. Prinsip dasarnya adalah menentukan kelas suatu observasi baru berdasarkan kedekatan jaraknya dengan \(k\) observasi terdekat pada data training (Daulay, 2024). Kedekatan tersebut diukur menggunakan distance metric, lalu kelas prediksi ditentukan melalui majority voting dari nearest neighbors. Karakteristiknya yang sederhana, mudah dipahami, dan tidak memerlukan proses pembentukan model yang rumit menjadikan \(k\)-NN sering digunakan sebagai metode dasar dalam klasifikasi (Kelilauw dkk., 2025).
Kinerja \(k\)-NN sangat bergantung pada beberapa aspek penting dalam penerapannya. Karena perhitungan didasarkan pada jarak, perbedaan skala antarfitur dapat membuat fitur berskala besar mendominasi hasil perhitungan sehingga feature scaling menjadi tahap yang perlu diperhatikan. Pemilihan nilai \(k\) yang kurang tepat juga dapat membuat model terlalu sensitif terhadap noise atau justru terlalu umum dalam membedakan kelas (Fransiska, 2026). Oleh sebab itu, evaluasi performa model diperlukan untuk memastikan hasil klasifikasi yang baik dan dapat dipertanggungjawabkan.
Berdasarkan latar belakang di atas, adapun rumusan masalah yang dapat disimpulkan sebagai berikut:
class dan caret?ggplot2?Adapun tujuan penelitian ini yaitu:
class dan caret.ggplot2.Adapun manfaat penelitian ini yaitu sebagai berikut:
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
Machine learning merupakan cabang kecerdasan buatan yang berfokus pada pengembangan algoritma dan model yang memungkinkan komputer untuk belajar dari data, mengenali pola, serta membuat prediksi atau keputusan tanpa pemrograman langsung (Farhan, Puspasari, & Gasim, 2025). Secara umum, algoritma machine learning dikategorikan ke dalam supervised learning, unsupervised learning, dan reinforcement learning, dengan supervised learning sebagai pendekatan utama untuk tugas klasifikasi dan regresi karena menggunakan data berlabel. Dalam konteks supervised learning, tujuan utamanya adalah memodelkan fungsi yang mendasari hubungan statistik antara variabel fitur dan variabel target, seperti yang diformulasikan pada Persamaan (2.1) (Rashidi dkk., 2023).
\[ Y = f(X) + \varepsilon \tag{2.1} \]
Pada Persamaan (2.1), \(Y\) menyatakan variabel target, \(X = (x_1, \ldots, x_p)\) merupakan vektor fitur berdimensi \(p\), \(f\) adalah fungsi matematis yang memetakan \(X\) ke \(Y\), dan \(\varepsilon\) adalah galat acak yang independen terhadap \(X\). Fungsi \(f\) yang sebenarnya umumnya tidak diketahui dan hanya dapat diestimasi atau didekati dari data sampel. Proses estimasi \(f\) dilakukan dengan meminimalkan suatu fungsi kerugian, seperti quadratic loss untuk regresi dan cross-entropy loss untuk klasifikasi (Rashidi dkk., 2023).
Pendekatan supervised machine learning menekankan pada kemampuan model untuk memprediksi observasi baru yang belum pernah dilihat, sehingga evaluasi performa harus dilakukan pada data di luar data pelatihan. Model prediktif dibedakan berdasarkan tingkat fleksibilitas dan interpretabilitasnya, di mana model yang lebih fleksibel mampu menangkap hubungan nonlinier dan interaksi antarfitur, tetapi umumnya lebih sulit diinterpretasikan (Pargent, Schoedel, & Stachl, 2023). Keseimbangan antara bias dan varians menjadi pertimbangan utama dalam memilih tingkat fleksibilitas model agar diperoleh performa prediksi yang optimal (Rashidi dkk., 2023).
\(k\)-Nearest Neighbors (\(k\)-NN) merupakan salah satu algoritma klasifikasi yang paling banyak digunakan dalam metode machine learning karena sifatnya yang sederhana dan mudah diimplementasikan. \(k\)-NN juga lazim dijadikan sebagai pengklasifikasi dasar dalam berbagai masalah klasifikasi pola (Firdaus & Sirodj, 2022). Algoritma ini tergolong dalam kategori supervised learning yang beroperasi dengan memanfaatkan data yang telah dilabeli untuk melakukan prediksi terhadap data baru (Ardiyansyah & Oktafiani, 2024). Proses klasifikasi dalam \(k\)-NN dilakukan dengan mengidentifikasi sejumlah tetangga terdekat dari suatu titik data uji berdasarkan ukuran jarak tertentu, kemudian menentukan kelas berdasarkan mayoritas kelas dari tetangga-tetangga tersebut (Yusran dkk., 2025).
\(k\)-NN merupakan metode nonparametrik, yang berarti model ini tidak mengasumsikan bentuk distribusi tertentu terhadap data yang dianalisis (Daulay, 2024). Karakteristik nonparametrik tersebut memberikan keleluasaan bagi model untuk membentuk batas keputusan yang sangat fleksibel dan nonlinier (Henderi, Wahyuningsih, & Rahwanto, 2021). \(k\)-NN juga termasuk dalam kelompok instance-based learning atau lazy learning, di mana model tidak membentuk fungsi perantara pada tahap pelatihan, melainkan menyimpan seluruh data pelatihan dan menunda komputasi hingga terdapat data baru yang hendak diprediksi. Sifat lazy learning ini menjadikan \(k\)-NN tidak memerlukan proses pelatihan yang berat, tetapi konsekuensinya seluruh data pelatihan harus tersimpan dalam memori (Fransiska, 2026).
Prinsip kerja \(k\)-NN dapat diuraikan menjadi tiga tahapan utama, yaitu perhitungan jarak, pemilihan \(k\) tetangga terdekat, dan penentuan kelas melalui majority voting. Pada tahap pertama, algoritma menghitung jarak antara data uji dengan seluruh data latih menggunakan metrik jarak yang telah ditentukan. Tahap kedua, algoritma mengidentifikasi sejumlah \(k\) data training yang memiliki jarak terdekat dengan data uji tersebut. Tahap ketiga, kelas dari data testing ditentukan berdasarkan kelas yang paling banyak muncul di antara \(k\) tetangga terdekatnya (Yusran dkk., 2025).
Secara formal, estimasi probabilitas posterior bahwa suatu data testing \(x_0\) tergolong ke dalam kelas \(j\) diformulasikan sebagai proporsi kelas \(j\) di antara tetangga terdekatnya (Fransiska, 2026):
\[ \hat{P}(Y = j \mid X = x_0) = \frac{1}{k} \sum_{i \in N_k(x_0)} I(y_i = j) \tag{2.2} \]
dengan \(N_k(x_0)\) merupakan himpunan yang memuat \(k\) buah tetangga terdekat dari \(x_0\), \(y_i\) adalah label kelas dari data ke-\(i\), dan \(I(\cdot)\) merupakan fungsi indikator yang bernilai 1 jika \(y_i = j\) dan bernilai 0 jika \(y_i \neq j\). Keputusan klasifikasi final \(\hat{G}(x_0)\) diambil berdasarkan prinsip majority voting sebagai berikut:
\[ \hat{G}(x_0) = \underset{j \in \{1, 2, \ldots, C\}}{\arg\max} \; \hat{P}(Y = j \mid X = x_0) \tag{2.3} \]
dengan \(C\) adalah jumlah kelas yang ada dalam klasifikasi. Pada implementasi \(k\)-NN untuk klasifikasi biner, nilai \(k\) umumnya dipilih dalam bilangan ganjil untuk menghindari hasil voting yang seimbang (Yusran dkk., 2025).
Metrik jarak memegang peranan penting dalam \(k\)-NN karena menentukan bagaimana kemiripan antara dua titik data diukur. Beberapa metrik jarak yang lazim digunakan dalam \(k\)-NN diuraikan sebagai berikut (Firdaus & Sirodj, 2022; Kelilauw dkk., 2025):
Jarak Euclidean (\(L_2\) Norm)
Jarak Euclidean merupakan metrik geometris paling umum untuk variabel bertipe numerik kontinu. Formula jarak Euclidean antara dua titik \(x\) dan \(y\) dalam ruang berdimensi \(p\) adalah:
\[ d(x, y) = \sqrt{\sum_{i=1}^{p} (x_i - y_i)^2} \tag{2.4} \]
dengan \(x_i\) dan \(y_i\) merupakan koordinat titik \(x\) dan \(y\) pada dimensi ke-\(i\), serta \(p\) adalah jumlah fitur.
Jarak Manhattan (\(L_1\) Norm atau City Block Distance)
Jarak Manhattan didefinisikan sebagai jumlah dari nilai absolut perbedaan koordinat antara dua titik pada setiap dimensi. Formula jarak Manhattan adalah:
\[ d(x, y) = \sum_{i=1}^{p} |x_i - y_i| \tag{2.5} \]
Metrik ini dikenal lebih tangguh terhadap keberadaan pencilan (outliers) dibandingkan jarak Euclidean.
Jarak Minkowski (\(L_m\) Norm)
Jarak Minkowski merupakan generalisasi dari keluarga metrik \(L_m\), di mana \(m = 1\) menghasilkan jarak Manhattan dan \(m = 2\) menghasilkan jarak Euclidean. Formula jarak Minkowski adalah:
\[ d(x, y) = \left( \sum_{i=1}^{p} |x_i - y_i|^m \right)^{1/m}, \quad m \geq 1 \tag{2.6} \]
Jarak Mahalanobis
Jarak Mahalanobis merupakan metrik jarak yang menginkorporasikan matriks kovarians \(\Sigma\) sehingga mampu mengoreksi korelasi antarvariabel serta mengatasi perbedaan skala. Formula jarak Mahalanobis adalah:
\[ d(x, y) = \sqrt{(x - y)^{\top} \Sigma^{-1} (x - y)} \tag{2.7} \]
dengan \(\Sigma^{-1}\) merupakan invers dari matriks kovarians.
Jarak Hamming
Jarak Hamming merupakan ukuran ketidaksamaan yang dikhususkan untuk data bertipe biner atau kategorik kualitatif. Formula jarak Hamming adalah:
\[ d(x, y) = \frac{1}{p} \sum_{i=1}^{p} I(x_i \neq y_i) \tag{2.8} \]
dengan \(I(\cdot)\) merupakan fungsi indikator yang bernilai 1 jika \(x_i \neq y_i\) dan bernilai 0 jika sebaliknya.
\(k\)-NN memiliki beberapa kelebihan yang membuatnya tetap relevan dalam berbagai aplikasi klasifikasi. Algoritma ini efektif terhadap data yang mengandung noise dan efektif ketika data training berukuran besar (Firdaus & Sirodj, 2022). \(k\)-NN juga tidak memerlukan asumsi mengenai distribusi data yang mendasarinya, sehingga dapat menjadi pilihan yang baik untuk studi klasifikasi yang melibatkan sedikit atau tanpa pengetahuan sebelumnya tentang distribusi data (Daulay, 2024). Kesederhanaan konsep dan kemudahan implementasi menjadi keunggulan tersendiri yang membuat \(k\)-NN banyak digunakan (Kelilauw dkk., 2025).
Keterbatasan utama \(k\)-NN terletak pada sensitivitasnya terhadap pemilihan parameter, terutama jumlah tetangga (\(k\)) dan metrik jarak yang digunakan. K-NN juga sangat sensitif terhadap perbedaan skala fitur karena perhitungan jarak, terutama Euclidean, sangat bergantung pada skala data (Pratama & Salam, 2025). Keterbatasan lain adalah sifatnya sebagai lazy learning yang menyimpan seluruh data pelatihan, sehingga dapat menjadi mahal secara komputasi terutama untuk dataset berukuran besar. K-NN juga dapat mengalami kesulitan dalam menangani data berdimensi tinggi (Fransiska, 2026).
Feature scaling merupakan tahap preprocessing data yang bertujuan untuk menyelaraskan skala fitur sehingga setiap fitur memiliki kontribusi yang seimbang dalam perhitungan jarak. Transformasi ini penting karena metrik jarak menghitung selisih numerik secara langsung, sehingga variabel dengan rentang nilai skala yang besar akan mendominasi perhitungan jarak. Tanpa penskalaan yang tepat, fitur dengan nilai numerik besar dapat membiaskan struktur ketetanggaan dan menurunkan kinerja klasifikasi. Oleh karena itu, feature scaling menjadi langkah wajib dalam pipeline \(k\)-NN untuk memastikan bahwa tidak ada satu fitur pun yang secara tidak proporsional mempengaruhi perhitungan jarak (Vikri, Pajri, & Liana, 2026).
Normalisasi Min-Max merupakan metode normalisasi dengan melakukan transformasi linier terhadap data asli sehingga menghasilkan keseimbangan perbandingan nilai antara data sebelum dan sesudah proses. Metode ini mentransformasikan nilai variabel ke dalam interval \([0, 1]\). Formula normalisasi Min-Max adalah (Fransiska, 2026):
\[ x_{scaled} = \frac{x - x_{min}}{x_{max} - x_{min}} \tag{2.9} \]
dengan \(x\) merupakan nilai asli variabel, \(x_{min}\) adalah nilai minimum variabel dalam dataset, dan \(x_{max}\) adalah nilai maksimum variabel dalam dataset. Normalisasi Min-Max efektif digunakan ketika distribusi fitur terbatas dan ketika mempertahankan hubungan proporsional antarnilai menjadi penting (Henderi, Wahyuningsih, & Rahwanto, 2021).
Standardisasi \(z\)-score merupakan metode normalisasi yang didasarkan pada nilai rata-rata (mean) dan simpangan baku (standard deviation) dari data. Metode ini mentransformasikan data agar memiliki rata-rata \(\mu = 0\) dan simpangan baku \(\sigma = 1\). Formulasi standardisasi \(z\)-score adalah (Vikri, Pajri, & Liana, 2026):
\[ z = \frac{x - \mu}{\sigma} \tag{2.10} \]
dengan \(x\) adalah nilai asli, \(\mu\) adalah rata-rata populasi, dan \(\sigma\) adalah simpangan baku populasi. Standardisasi \(z\)-score sangat berguna ketika nilai minimum dan maksimum aktual dari data tidak diketahui. Metode ini juga mampu mengurangi pengaruh fitur dengan varians besar dan sesuai untuk dataset yang atributnya mengikuti distribusi statistik yang berbeda (Vikri, Pajri, & Liana, 2026).
Confusion matrix merupakan tabel yang menunjukkan jumlah hasil pengujian yang diklasifikasikan dengan benar dan jumlah yang salah. Matriks ini menjadi dasar untuk menghitung berbagai metrik evaluasi kinerja model klasifikasi. Komponen utama confusion matrix untuk klasifikasi biner terdiri atas empat elemen sebagai berikut (Sathyanarayanan & Tantri, 2024):
Accuracy merupakan proporsi prediksi yang benar dari keseluruhan prediksi. Metrik ini mengukur sejauh mana model dapat melakukan klasifikasi yang benar dibandingkan dengan total klasifikasi. Formula accuracy adalah (Pratama & Salam, 2025):
\[ Accuracy = \frac{TP + TN}{TP + TN + FP + FN} \tag{2.11} \]
Accuracy sangat berguna ketika kelas dalam dataset seimbang, tetapi memiliki keterbatasan ketika berhadapan dengan dataset yang tidak seimbang. Pada dataset yang tidak seimbang, model dapat mencapai akurasi tinggi dengan hanya memprediksi kelas mayoritas, sementara kinerjanya pada kelas minoritas mungkin buruk (Sathyanarayanan & Tantri, 2024).
Sensitivity, yang juga dikenal sebagai recall atau true positive rate (TPR), merupakan proporsi sampel positif yang diklasifikasikan dengan benar. Metrik ini mengukur kemampuan model dalam menemukan semua kasus positif yang sebenarnya. Formula sensitivity adalah (Sathyanarayanan & Tantri, 2024):
\[ Sensitivity = \frac{TP}{TP + FN} \tag{2.12} \]
Sensitivity sangat penting ketika kesalahan negatif (Kesalahan Tipe II) perlu diminimalkan, misalnya dalam konteks diagnosis medis untuk menghindari terlewatnya kasus positif yang kritis.
Specificity merupakan proporsi sampel negatif yang diklasifikasikan dengan benar. Metrik ini mengukur kemampuan model dalam mengidentifikasi data negatif dengan benar. Formula specificity adalah (Pratama & Salam, 2025):
\[ Specificity = \frac{TN}{TN + FP} \tag{2.13} \]
Specificity sangat penting ketika kesalahan positif (Kesalahan Tipe I) perlu diminimalkan, misalnya untuk menghindari intervensi atau perawatan yang tidak perlu pada individu yang sehat.
Positive Predictive Value (PPV), yang juga dikenal sebagai precision, merupakan proporsi sampel positif yang benar dari keseluruhan sampel yang diprediksi positif. Metrik ini mengukur akurasi klasifikasi positif yang dilakukan oleh model. Formula PPV adalah (Sathyanarayanan & Tantri, 2024):
\[ PPV = \frac{TP}{TP + FP} \tag{2.14} \]
Nilai PPV yang tinggi menunjukkan bahwa model memiliki tingkat kesalahan positif yang rendah, yang berarti model membuat prediksi positif yang akurat. Sebaliknya, nilai PPV yang rendah mengindikasikan banyaknya kesalahan positif, yang berarti model membuat lebih banyak prediksi positif yang salah.
Hyperparameter merupakan parameter yang nilainya ditetapkan sebelum proses pembelajaran dimulai dan tidak disesuaikan selama proses pelatihan. Berbeda dengan parameter model yang diturunkan dari data melalui pelatihan, hyperparameter mengatur bagaimana model terstruktur. Kinerja suatu model machine learning dapat berubah secara drastis tergantung pada pilihan dan nilai hyperparameter-nya. Oleh karena itu, penentuan hyperparameter harus dilakukan dengan cermat untuk memperoleh performa model yang optimal (Elgeldawi dkk., 2021).
Pada algoritma \(k\)-NN, jumlah tetangga terdekat (\(k\)) merupakan hyperparameter utama yang harus ditetapkan sebelum algoritma dijalankan. Nilai \(k\) menentukan jumlah tetangga terdekat yang akan dipertimbangkan dalam memprediksi label suatu observasi (Ardiyansyah & Oktafiani, 2024). Selain \(k\), metrik jarak dan jenis pembobotan juga merupakan hyperparameter yang mempengaruhi kinerja K-NN. Pemilihan nilai \(k\) yang tepat menjadi krusial karena nilai yang terlalu kecil dapat menyebabkan model terlalu sensitif terhadap data training, sedangkan nilai yang terlalu besar dapat menyebabkan model menjadi terlalu umum (Yusran dkk., 2025).
Pemilihan nilai \(k\) memegang peranan penting dalam mengendalikan keseimbangan antara bias dan varians. Nilai \(k\) yang kecil menghasilkan bias yang sangat rendah tetapi varians yang sangat tinggi, sehingga model menjadi sangat sensitif terhadap noise dan rentan mengalami overfitting. Sebaliknya, nilai \(k\) yang besar menghasilkan varians yang rendah tetapi bias yang tinggi, dan jika \(k\) terlalu besar, model berpotensi mengalami underfitting karena keputusan lokal akan terdistorsi oleh prevalensi kelas mayoritas secara global (Fransiska, 2026). Secara umum, nilai \(k\) yang ideal adalah bilangan ganjil, misalnya \(k = 1, 3, 5\), dan seterusnya (Firdaus & Sirodj, 2022).
Cross-validation merupakan teknik yang digunakan untuk mengevaluasi kemampuan generalisasi suatu model machine learning. Dalam \(k\)-fold cross-validation, dataset dibagi menjadi \(k\) lipatan (fold) yang berukuran kurang lebih sama, kemudian model dilatih pada \(k-1\) lipatan dan diuji pada lipatan yang tersisa. Proses ini diulang sebanyak \(k\) kali sehingga setiap lipatan berperan sebagai himpunan validasi tepat satu kali (Elgeldawi dkk., 2021). Rata-rata skor akurasi dari seluruh lipatan digunakan sebagai estimasi performa model. Dalam konteks penentuan nilai \(k\) optimal pada \(k\)-NN, cross-validation digunakan untuk mengevaluasi performa model pada berbagai nilai \(k\) dan memilih nilai yang memberikan akurasi validasi tertinggi (Pratama & Salam, 2025).
Kurva performa model terhadap variasi nilai \(k\) merupakan visualisasi yang menggambarkan hubungan antara nilai hyperparameter \(k\) dengan akurasi klasifikasi. Kurva ini digunakan untuk mengidentifikasi nilai \(k\) yang memberikan performa optimal dan untuk memahami perilaku model pada berbagai nilai \(k\) (Fransiska, 2026). Pada nilai \(k\) yang kecil, akurasi pelatihan cenderung sangat tinggi tetapi akurasi pengujian lebih rendah, yang mengindikasikan overfitting. Seiring bertambahnya nilai \(k\), akurasi pengujian meningkat dan mencapai nilai yang lebih stabil, sementara akurasi pelatihan sedikit menurun. Pemilihan nilai \(k\) yang optimal berperan penting dalam menghindari overfitting atau underfitting (Kelilauw dkk., 2025).
Program R tersebut memanfaatkan beberapa library dan fungsi
umum untuk mendukung alur kerja machine learning \(k\)-NN. Library class
menyediakan fungsi inti knn() untuk klasifikasi,
caret menyediakan confusionMatrix() untuk
evaluasi performa, ggplot2 digunakan untuk visualisasi
grafik, dan mlbench untuk memuat dataset. Fungsi
umum bawaan R seperti str(), head(), dan
table() digunakan untuk eksplorasi data,
lapply() untuk menerapkan normalisasi pada beberapa kolom
sekaligus, sample() untuk pembagian data acak, serta
data.frame() dan seq_len() untuk menyusun dan
mengindeks data (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
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 ...
## 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
##
## benign malignant
## 458 241
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.
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
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).
# 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
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).
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
## Dimensi Data Uji (Test): 205 baris, 9 fitur
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.
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
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.
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
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.
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()
)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 \(k=11\).
Algoritma K-Nearest Neighbors (K-NN) adalah salah satu metode supervised learning berbasis nonparametrik yang dapat diterapkan untuk menyelesaikan permasalahan klasifikasi dan regresi. Prinsip kerja metode ini didasarkan pada pencarian sejumlah \(k\) data latih yang memiliki jarak paling dekat dengan data baru. Dalam proses klasifikasi, penentuan kelas pada data baru dilakukan dengan mempertimbangkan kelas yang memiliki frekuensi kemunculan terbanyak dari sejumlah \(k\) tetangga terdekat (majority voting).
Penskalaan fitur merupakan salah satu proses prapemrosesan data yang dilakukan untuk menyetarakan skala atau rentang nilai pada setiap variabel prediktor. Proses ini menjadi penting dalam penerapan algoritma K-NN karena metode tersebut menggunakan perhitungan jarak sebagai dasar pengelompokan kelas. Perbedaan skala yang cukup besar antarvariabel dapat mengakibatkan variabel dengan rentang nilai lebih tinggi memberikan pengaruh yang lebih dominan terhadap hasil perhitungan jarak. Kondisi tersebut berpotensi memengaruhi ketepatan hasil klasifikasi yang diperoleh.
Penerapan algoritma K-NN pada penelitian ini menggunakan bahasa
pemrograman R dengan memanfaatkan dua pustaka, yaitu class
dan caret. Pustaka class digunakan untuk
membangun model klasifikasi melalui fungsi knn(), sementara
pustaka caret dimanfaatkan untuk melakukan evaluasi kinerja
model dengan fungsi confusionMatrix(). Pelaksanaan analisis
dilakukan melalui beberapa tahapan, meliputi pemanggilan dataset
BreastCancer, prapemrosesan data, penghapusan variabel
identitas, konversi tipe data prediktor menjadi numerik, penanganan
nilai yang hilang (missing value), serta proses normalisasi
menggunakan metode Min-Max.
Pengukuran kinerja model klasifikasi dilakukan dengan memanfaatkan Confusion Matrix, yaitu suatu tabel yang menyajikan perbandingan antara hasil klasifikasi model dan kategori sebenarnya. Tabel tersebut memuat empat kemungkinan hasil klasifikasi, yakni True Positive (TP), True Negative (TN), False Positive (FP), dan False Negative (FN). Berdasarkan komponen tersebut, evaluasi model dilakukan melalui empat ukuran kinerja. Accuracy digunakan untuk mengukur persentase keseluruhan prediksi yang sesuai dengan kelas aktual. Sensitivity menunjukkan kemampuan model dalam mengenali data yang termasuk kategori positif, sedangkan Specificity menggambarkan kemampuan model dalam mengidentifikasi kategori negatif. Adapun Positive Predictive Value (PPV) digunakan untuk mengetahui tingkat ketepatan model ketika memprediksi suatu data sebagai kelas positif.
Proses optimasi hiperparameter (hyperparameter tuning) bertujuan untuk menentukan nilai \(k\) yang mampu menghasilkan tingkat ketepatan klasifikasi paling optimal. Parameter \(k\) merepresentasikan banyaknya tetangga terdekat yang dipertimbangkan dalam proses penentuan kelas suatu observasi baru. Pemilihan nilai parameter ini perlu diperhatikan karena penggunaan \(k\) yang terlalu rendah dapat menyebabkan model lebih mudah terpengaruh oleh gangguan atau noise pada data. Sebaliknya, nilai \(k\) yang terlalu tinggi berpotensi menghasilkan batas pemisah antarkelas yang kurang fleksibel sehingga kemampuan model dalam membedakan kelas dapat menurun.
Hasil analisis menggunakan algoritma K-Nearest Neighbors
(K-NN) pada dataset BreastCancer menunjukkan bahwa metode ini
mampu mengklasifikasikan kanker payudara ke dalam dua kelompok, yaitu
benign (jinak) dan malignant (ganas), dengan tingkat
performa yang sangat baik. Analisis diawali dengan memuat dataset,
kemudian dilanjutkan dengan tahapan prapemrosesan yang mencakup
penghapusan variabel identitas (Id), perubahan tipe data
variabel prediktor menjadi numerik, penanganan missing value,
serta normalisasi data menggunakan metode Min-Max. Dataset yang
digunakan terdiri atas 683 observasi dengan sembilan variabel prediktor,
yang selanjutnya dibagi menjadi 478 observasi sebagai data latih (70%)
dan 205 observasi sebagai data pengujian (30%). Pengujian model
dilakukan dengan menerapkan lima alternatif nilai \(k\), yaitu 3, 5, 7, 9, dan 11. Hasil
evaluasi berdasarkan nilai Accuracy, Sensitivity, dan
Specificity memperlihatkan bahwa nilai \(k=9\) memberikan hasil klasifikasi optimal,
dengan Accuracy sebesar 98,05%, Sensitivity sebesar
98,55%, dan Specificity sebesar 97,79%. Walaupun nilai \(k=11\) menghasilkan nilai evaluasi yang
identik, parameter \(k=9\) ditetapkan
sebagai pilihan optimal karena telah mencapai performa terbaik pada
pengujian dengan nilai \(k\) yang lebih
kecil. Oleh karena itu, model K-NN dengan parameter \(k=9\) dinilai memiliki kemampuan
klasifikasi yang sangat baik dalam membedakan kategori kanker payudara
jinak dan ganas berdasarkan karakteristik data yang dianalisis.
Ardiyansyah, D., & Oktafiani, N. (2024). Perbandingan Metode Pengukuran Jarak pada K-Nearest Neighbour dalam Klasifikasi Data Teks Cardiovaskular. Journal of Information Systems Management and Digital Business (JISMDB), 1(2), 116–122.
Daulay, R. S. A. (2024). Analisis Kritis dan Pengembangan Algoritma K-Nearest Neighbor (KNN): Sebuah Tinjauan Literatur. Jurnal Pendidikan Sains dan Komputer, 4(2), 131–141. https://doi.org/10.47709/jpsk.v4i02.5055
Elgeldawi, E., Sayed, A., Galal, A. R., & Zaki, A. M. (2021). Hyperparameter Tuning for Machine Learning Algorithms Used for Arabic Sentiment Analysis. Informatics, 8(4), 79–99. https://doi.org/10.3390/informatics8040079
Farhan, M., Puspasari, S., & Gasim, G. (2025). Analisis Sentimen Supporter Sriwijaya FC Berbasis Manchine Learning. Jurnal Algoritme, 6(1), 37–49. https://doi.org/10.35957/algoritme.v6i1.11288
Firdaus, A., & Sirodj, D. A. N. (2022). Perbandingan Ukuran Jarak pada Algoritma K-Nearest Neighbor dalam Analisis Sentimen. STATMAT (Jurnal Statistika dan Matematika), 4(2), 166–177.
Fransiska, H. (2026). Modul Praktikum Machine Learning and Modern Prediction. Bengkulu: Laboratorium Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Bengkulu.
Henderi, Wahyuningsih, T., & Rahwanto, E. (2021). Comparison of Min-Max normalization and Z-Score Normalization in the K-nearest neighbor (kNN) Algorithm to Test the Accuracy of Types of Breast Cancer. International Journal of Informatics and Information System, 4(1), 13–20.
Kelilauw, S. R., Purnawansyah, Manga’, A. R., & Puspitasari, R. (2025). K-Nearest Neighbor dengan Jarak Euclidean, Manhattan, dan Minkowski pada Klasifikasi Sampah. LINIER: Literatur Informatika dan Komputer, 2(3), 294–301. https://doi.org/10.33096/linier.v2i3.3141
Pargent, F., Schoedel, R., & Stachl, C. (2023). Best Practices in Supervised Machine Learning: A Tutorial for Psychologists. Advances in Methods and Practices in Psychological Science, 6(3), 1–35. https://doi.org/10.1177/25152459231162559
Pratama, Y. D., & Salam, A. (2025). Comparison of Data Normalization Techniques on KNN Classification Performance for Pima Indians Diabetes Dataset. Journal of Applied Informatics and Computing (JAIC), 9(3), 693–706.
Rashidi, H. H., Albahra, S., Robertson, S., Tran, N. K., & Hu, B. (2023). Common statistical concepts in the supervised Machine Learning arena. Frontiers in Oncology, 13(1), 1–14. https://doi.org/10.3389/fonc.2023.1130229
Sathyanarayanan, S., & Tantri, B. R. (2024). Confusion Matrix-Based Performance Evaluation Metrics. African Journal of Biomedical Research, 27(4), 4023–4031. https://doi.org/10.53555/ajbr.v27i4s.4345
Vikri, M. J., Pajri, A. E., & Liana, P. (2026). Impact of Data Normalization on K-Nearest Neighbor Classification Performance: A Case Study on Date Fruit Dataset. Indonesian Applied Research Computing and Informatics, 1(2), 11–21. https://doi.org/10.64479/iarci.v1i2.61
Yusran, M., Sadik, K., Soleh, A. M., & Suhaeni, C. (2025). Effect of Feature Normalization and Distance Metrics on K-Nearest Neighbors Performance for Diabetes Disease Classification. Journal of Mathematics, Computations and Statistics, 8(2), 341–354. https://doi.org/10.35580/jmathcos.v8i2.8012