Perbandingan Shallow Learning dan Stacking Algortima pada Klasifikasi Papillary Renal Cell Berbasis Fitur Radiomik

Gracia Chandra, Audrey (2026) Perbandingan Shallow Learning dan Stacking Algortima pada Klasifikasi Papillary Renal Cell Berbasis 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 (4MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (815kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (215kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (216kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (452kB)

Abstract

Tumor ginjal menghadirkan tantangan diagnostik yang signifikan akibat adanya kemiripan karakteristik pencitraan di antara berbagai subtipe tumor. Klasifikasi praoperatif yang akurat sangat penting untuk menentukan strategi pengobatan yang tepat serta meningkatkan luaran pasien. Penelitian ini mengusulkan kerangka kerja machine learning berbasis radiomik untuk mengklasifikasikan tumor ginjal, khususnya dalam membedakan tumor papiler dan non-papiler, di mana kategori non-papiler terdiri dari kromofob dan onkositoma. Citra computed tomography (CT) digunakan untuk mengekstraksi fitur radiomik kuantitatif yang merepresentasikan karakteristik intensitas dan tekstur tumor. Sebanyak 740 fitur radiomik diekstraksi dari dataset KiTS19 menggunakan Pyradiomics. Untuk mengatasi tingginya dimensi ruang fitur, dua teknik seleksi fitur, yaitu Random Forest Feature Importance dan Recursive Feature Elimination, diterapkan untuk mengidentifikasi fitur yang paling relevan. Tiga algoritma machine learning, yaitu XGBoost, Random Forest, dan Regresi Logistik, dilatih dan dievaluasi menggunakan stratified k-fold cross validation. Hasil penelitian menunjukkan bahwa Regresi Logistik yang dikombinasikan dengan Recursive Feature Elimination menghasilkan performa terbaik dengan akurasi sebesar 89,80%, precision 85,71%, recall 90,00%, F1-score 87,80%, dan AUC 92,59%, mengungguli model lainnya. Temuan ini menunjukkan bahwa seleksi fitur yang efektif memainkan peran penting dalam meningkatkan kinerja model pada klasifikasi berbasis radiomik. Pendekatan yang diusulkan memiliki potensi untuk mendukung pengambilan keputusan klinis dengan menyediakan alat non-invasif dalam membantu klasifikasi subtipe kanker ginjal.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Gracia Chandra, Audrey (00000069296)
Contributors:	Vasty Overbeek, Marlinda
Keywords:	Karsinoma Sel Ginjal, Machine Learning, Radiomik, Seleksi Fitur, Tumor Ginjal.
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	05 May 2026 07:57
URI:	https://kc.umn.ac.id/id/eprint/45419

Actions (login required)

View Item