Perbandingan Model Pembelajaran Mesin Tunggal dan Stacking untuk Klasifikasi Kanker Kandung Kemih Berbasis Radiomik dari MRI

Alexander, Moses (2026) Perbandingan Model Pembelajaran Mesin Tunggal dan Stacking untuk Klasifikasi Kanker Kandung Kemih Berbasis Radiomik dari MRI. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (336kB)
	PDF BAB_I.pdf Download (214kB)
	PDF BAB_II.pdf Download (463kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (561kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (206kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (216kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (685kB)
	Archive (ZIP) 00000069818_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Kanker kandung kemih adalah jenis kanker dengan tingkat kekambuhan yang tinggi, sehingga klasifikasi yang akurat terhadap status invasi otot penting untuk menentukan pengobatan klinis yang tepat. Studi ini mengevaluasi dan membandingkan kinerja algoritma eXtreme Gradient Boosting (XGBoost), Support Vector Machine (SVM), dan Multilayer Perceptron (MLP) dalam mengklasifikasikan kanker kandung kemih non-invasif otot (NMIBC) dan invasif otot (MIBC), serta mengevaluasi dampak seleksi fitur Boruta dan resampling voxel isotropik terhadap kinerja klasifikasi. Fitur radiomics diekstraksi menggunakan PyRadiomics, diikuti seleksi fitur menggunakan algoritma Boruta. Untuk menstandarkan resolusi gambar dari berbagai pusat medis, diterapkan resampling isotropik ke ukuran voxel 1×1×1 mm. Evaluasi dilakukan pada empat skenario yang mengombinasikan penggunaan seluruh fitur atau fitur hasil Boruta dengan dan tanpa resampling. Hasil menunjukkan bahwa kombinasi Boruta dan resampling voxel isotropik menghasilkan kinerja klasifikasi yang lebih baik dan stabil dibandingkan tanpa kedua tahap tersebut. Meskipun jumlah fitur tidak memberikan perbedaan yang signifikan terhadap hasil klasifikasi, penggunaan jumlah fitur yang moderat menghasilkan metrik yang lebih konsisten. Perbandingan model tunggal dengan model stacking pada skenario terbaik menunjukkan bahwa stacking tidak secara konsisten mengungguli model tunggal. Model tunggal terbaik memperoleh akurasi 81,4% dan AUC-ROC 90,7%, sedangkan model stacking memperoleh akurasi 79,1% dan AUC-ROC 92,1%. Hasil ini menunjukkan bahwa meskipun model stacking memiliki kemampuan diskriminasi kelas yang lebih baik berdasarkan AUC-ROC, model tunggal memberikan akurasi yang lebih tinggi. Temuan ini menunjukkan bahwa model tunggal yang dioptimalkan dengan prapemrosesan dan seleksi fitur yang efektif mampu memberikan kinerja klasifikasi radiomics yang andal dan relevan secara klinis.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Alexander, Moses (00000069818)
Contributors:	Vasty Overbeek, Marlinda
Keywords:	Boruta, Kanker Kandung Kemih, Machine Learning, Radiomics, Resampling Isotropik
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	09 Jul 2026 07:59
URI:	https://kc.umn.ac.id/id/eprint/47285

Actions (login required)

View Item