ABSTRAK
Analisis data kanker payudara yang akurat dan tepat waktu sangat penting untuk keberhasilan penerapan dan kemajuan sistem perawatan kesehatan yang cerdas. Metode prediksi status kesehatan tradisional, yang sering kali mengandalkan model dangkal, tidak memadai dalam skenario klinis yang kompleks dan masih belum memuaskan untuk banyak aplikasi di dunia nyata. Situasi ini telah mengilhami kami untuk mengusulkan kerangka kerja yang disempurnakan dengan pembelajaran mendalam untuk prediksi aliran data kesehatan. Makalah ini memperkenalkan metode komputasi lunak tiga lapis baru untuk memprediksi status kesehatan menggunakan sistem fuzzy neural yang mengoptimalkan (ONFS). Pendekatan ini meningkatkan interpretabilitas dengan mempertimbangkan korelasi spasial dalam data medis. Kami mulai dengan pemilihan fitur berdasarkan koefisien korelasi Pearson (PCC) untuk menghilangkan variabel dengan hubungan linier atau nonlinier minimal. Selanjutnya, pengoptimalan pengelompokan subtraktif diterapkan di setiap lapisan untuk menyempurnakan parameter sistem secara bersamaan. ONFS menawarkan penjelasan yang lebih jelas dan lebih lugas tentang fitur kesehatan dalam analisis data berdimensi tinggi. Hasil eksperimen menunjukkan keunggulan ONFS dibandingkan metode yang ada, mencapai pengurangan RMSE rata-rata sebesar 17,2% dan pengurangan aturan sebesar 98% dibandingkan dengan SVM, dengan efisiensi komputasi yang kompetitif. Penelitian ini menggarisbawahi potensi ONFS yang diperkuat pembelajaran mendalam dalam meningkatkan analisis data kanker payudara, mendukung tujuan ilmu informasi mengenai presisi dan interpretabilitas dalam pemrosesan data perawatan kesehatan.