Klasifikasi Dini N-Stage Non Small Cell Lung Cancer Menggunakan Model Stacking Berbasis Fitur Radiomik CT-Scan

Aji Wicaksono, Pandu (2026) Klasifikasi Dini N-Stage Non Small Cell Lung Cancer Menggunakan Model Stacking Berbasis Fitur Radiomik CT-Scan. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (221kB)
	PDF BAB_II.pdf Download (2MB)
	PDF BAB_III.pdf Restricted to Registered users only Download (5MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (3MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (209kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (227kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000078666_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Non-Small Cell Lung Cancer (NSCLC) adalah subtipe kanker paru yang paling umum, di mana tahapan penyebaran pada kelenjar getah bening (N-Stage) sangat penting dalam pengobatan dan prognosis pasien. Pendekatan radiomik pada citra Computed Tomography (CT) memberikan solusi diagnosis non-invasif, namun terkendala oleh dimensi fitur yang sangat tinggi, ketidakseimbangan kelas, serta instabilitas model tunggal yang dapat menyebabkan bias. Penelitian ini menganalisis penerapan teknik penyeimbangan data hibrida SMOTE-Tomek dan metode seleksi fitur L1-LASSO pada kerangka klasifikasi Stacking Model (mengintegrasikan algoritma XGBoost, SVM, dan Random Forest). Menggunakan dataset multi-institusi dari The Cancer Imaging Archive (TCIA) yang diekstraksi pada area ganda (nodul dan paru) melalui PyRadiomics dalam skema Nested Cross- Validation, hasil eksperimen menunjukkan bahwa model Stacking menghasilkan performa diskriminasi dan presisi optimal (Akurasi 0,8716, ROC AUC 0,9307, dan Presisi 0,8905), sementara base learner XGBoost memberikan tingkat sensitivitas tertinggi (Recall 0,7293 dan F1-Score 0,7437). Analisis Explainable AI (SHAP) memvalidasi bahwa fitur mikrolingkungan paru (peritumoral) memberikan kontribusi paling dominan. Penelitian ini menyimpulkan bahwa integrasi arsitektur stacking, penyeimbangan data, dan seleksi fitur yang tepat sangat penting untuk membangun sistem pendukung keputusan klinis dalam penentuan N-Stage kanker paru.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Aji Wicaksono, Pandu (00000078666)
Contributors:	Vasty Overbeek, Marlinda
Keywords:	Explainable AI, Kanker Paru NSCLC, Radiomik, SMOTE-Tomek, Stacking Model
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	28 Jul 2026 12:16
URI:	https://kc.umn.ac.id/id/eprint/48441

Actions (login required)

View Item