Implementasi Stacking Ensemble untuk Klasifikasi Kanker Payudara Berbasis Fitur Radiomik

Manda Putri Nabilah, Salma (2026) Implementasi Stacking Ensemble untuk Klasifikasi Kanker Payudara Berbasis Fitur Radiomik. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (868kB)
	PDF BAB_I.pdf Download (225kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (4MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (211kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (291kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000077712_2521_LembarPengesahan.pdf Restricted to Registered users only Download (64kB)

Abstract

Kanker payudara memiliki angka kejadian dan kematian yang tinggi pada perempuan, sehingga deteksi dini yang akurat sangat penting. Interpretasi citra mammografi oleh radiolog dapat dipengaruhi oleh kompleksitas anatomi dan variasi kepadatan jaringan, sehingga diperlukan pendekatan komputasional yang lebih konsisten. Penelitian ini menggunakan dataset CBIS-DDSM dengan fitur radiomik intensitas, bentuk, dan tekstur yang diekstraksi menggunakan PyRadiomics. Seleksi fitur dilakukan dengan minimum Redundancy Maximum Relevance (mRMR), Least Absolute Shrinkage and Selection Operator (LASSO), Recursive Feature Elimination (RFE), dan Extra Trees Classifier (ETC), kemudian diklasifikasikan menggunakan XGBoost, Support Vector Machine (SVM), dan stacking ensemble dengan XGBoost dan SVM sebagai base learners serta Logistic Regression sebagai meta-learner. Evaluasi dengan nested stratified 5-fold cross-validation menunjukkan bahwa mRMR dan RFE menghasilkan performa lebih rendah, sedangkan LASSO dan ETC memberikan subset fitur yang lebih relevan. Pada seluruh skenario seleksi fitur, stacking ensemble secara konsisten mengungguli model tunggal, dengan konfigurasi terbaik ETC dengan stacking ensemble yang mencapai ROC-AUC 0,9796 dan F1-score 0,9311. Hasil ini menunjukkan bahwa kombinasi radiomik dan stacking ensemble efektif untuk klasifikasi lesi payudara jinak dan ganas, dengan pengelolaan redundansi fitur, korelasi antarfitur, dan kompleksitas model menjadi faktor kunci dalam memperoleh performa yang robust dan terkalibrasi dengan baik.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Manda Putri Nabilah, Salma (00000077712)
Contributors:	Vasty Overbeek, Marlinda
Keywords:	breast cancer, mammogram, radiomik, seleksi fitur, stacking ensemble
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	22 Jul 2026 08:01
URI:	https://kc.umn.ac.id/id/eprint/47863

Actions (login required)

View Item