Pendekatan Meta-Learning untuk Klasifikasi Clear Cell Renal Cell Carcinoma Menggunakan Fitur Radiomik

Litani Santoso, Friedrich (2026) Pendekatan Meta-Learning untuk Klasifikasi Clear Cell Renal Cell Carcinoma Menggunakan Fitur Radiomik. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (759kB)
	PDF BAB_I.pdf Download (223kB)
	PDF BAB_II.pdf Download (790kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (213kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (228kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (542kB)

Abstract

Clear cell renal cell carcinoma (ccRCC) merupakan subtipe kanker ginjal yang paling umum, mencakup sekitar 80% dari seluruh kasus renal cell carcinoma (RCC). Karakterisasi tumor yang akurat penting untuk diagnosis dan perencanaan terapi, namun interpretasi visual dari citra Computed Tomography (CT) dan Magnetic Resonance Imaging (MRI) sering kali terbatas. Pendekatan radiomik memungkinkan ekstraksi fitur kuantitatif untuk menangkap karakteristik tumor secara lebih detail. Pada penelitian ini, digunakan 42 data pasien dari TCGA-KIRC dengan total 1.596 fitur radiomik yang diekstraksi menggunakan PyRadiomics. Seleksi fitur dilakukan menggunakan mRMR, Genetic Algorithm (GA), dan LASSO, kemudian diklasifikasikan menggunakan metode stacking ensemble dengan SVM dan XGBoost sebagai base learners serta DNN sebagai meta-learner. Evaluasi menggunakan stratified 5-fold cross-validation menunjukkan bahwa mRMR menghasilkan performa terendah (AUC 0,88; akurasi 0,81), sementara GA memberikan hasil lebih seimbang (AUC 0,95; F1-score 0,90). LASSO dan full radiomics mencapai performa sempurna, namun berpotensi overfitting akibat keterbatasan data. Peningkatan ambang korelasi dari 85% ke 95% juga terbukti meningkatkan stabilitas model. Hasil ini menunjukkan bahwa kombinasi radiomik dan meta-learning efektif untuk klasifikasi ccRCC, dengan keseimbangan antara reduksi redundansi dan keberagaman fitur menjadi faktor penting.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Litani Santoso, Friedrich (00000068855)
Contributors:	Vasty Overbeek, Marlinda
Keywords:	(Clear Cell Renal Cell Carcinoma, Machine Learning, Medical Imaging, Meta Learning, Radiomics)
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	04 May 2026 07:57
URI:	https://kc.umn.ac.id/id/eprint/45417

Actions (login required)

View Item