MULYADI, Fitriyani Mus (2026) Evaluasi Akurasi Klasifikasi Tumor Otak Citra MRI Menggunakan Ekstraksi Fitur Hibrida Dan Subspace K-Nearest Neighbor. Masters thesis, UNDIP: Fakultas Sains dan Matematika.

	Other (FULL TEXT) tesis fitriyani mus mulyadi 240401224410023.rar Restricted to Repository staff only Download (10MB) | Request a copy
	Text 1. COVER.pdf Download (185kB)
	Text 3. REKOMENDASI LAYAK UJIAN TESIS.pdf Download (231kB)
	Text 6. HALAMAN PENGESAHAN TESIS.pdf Download (812kB)
	Text 7. KATA PENGANTAR.pdf Download (163kB)
	Text 8. DAFTAR ISI.pdf Download (182kB)
	Text 13. ABSTRAK.pdf Download (161kB)
	Text 14. ABSTRACT.pdf Download (112kB)
	Text 15. BAB I PENDAHULUAN.pdf Download (267kB)
	Text 20. DAFTAR PUSTAKA.pdf Download (136kB)

Abstract

Tumor otak merupakan kelainan neurologis serius dengan tingkat morbiditas
dan mortalitas yang tinggi sehingga memerlukan diagnosis yang cepat dan akurat.
Magnetic Resonance Imaging (MRI) menjadi modalitas utama dalam evaluasi
tumor otak karena mampu menghasilkan kontras jaringan lunak yang tinggi tanpa
paparan radiasi ionisasi. Namun, interpretasi manual citra MRI masih bersifat
subjektif dan berpotensi menimbulkan variabilitas antar-pengamat. Oleh karena itu,
pengembangan metode klasifikasi otomatis berbasis citra medis menjadi penting
untuk mendukung sistem Computer-Aided Diagnosis (CAD). Penelitian ini
bertujuan menganalisis pengaruh integrasi ekstraksi fitur hibrida terhadap akurasi
klasifikasi tumor otak serta mengevaluasi efektivitas Principal Component Analysis
(PCA) dalam mereduksi dimensi fitur tanpa menurunkan performa klasifikasi
menggunakan algoritma Subspace k-Nearest Neighbor.
Penelitian menggunakan dataset publik BRISC 2025 dari Kaggle yang terdiri
dari 6.000 citra MRI otak T1-weighted dengan empat kelas, yaitu glioma,
meningioma, pituitary, dan no tumor. Tahap prapemrosesan meliputi resizing citra
menjadi 224×224 piksel, grayscaling, serta peningkatan kontras menggunakan
Contrast Limited Adaptive Histogram Equalization (CLAHE). Ekstraksi fitur
dilakukan menggunakan pendekatan hibrida yang menggabungkan Histogram of
Oriented Gradients (HOG) dan fitur deep learning berbasis MobileNet. Seluruh
fitur kemudian dinormalisasi menggunakan StandardScaler dan direduksi
menggunakan PCA dengan retensi varians 95%. Proses klasifikasi dilakukan
menggunakan Subspace k-Nearest Neighbor dengan 30 estimator, proporsi
subruang 40%, dan k = 1.
Hasil penelitian menunjukkan bahwa kombinasi fitur HOG + MobileNet +
PCA mampu mencapai akurasi hingga 97.5% dengan nilai AUC 0,998. Selain itu,
penerapan PCA berhasil mereduksi dimensi fitur secara signifikan sekaligus
meningkatkan efisiensi komputasi. Pendekatan ini menunjukkan potensi yang kuat
untuk mendukung pengembangan sistem CAD yang cepat dan akurat dalam
klasifikasi tumor otak berbasis citra MRI.
Kata kunci: tumor otak, MRI, fitur hibrida, PCA, Subspace kNN

Actions (login required)

View Item