IQBAL, Muhammad (2026) Klasifikasi Kanker Paru pada Citra Computed Tomography Berbasis Ekstraksi Fitur Tekstur Hibrida dan Machine Learning. Masters thesis, UNDIP: Fakultas Sains dan Matematika.

	Other (FULL TEXT) Tesis_Muhammad Iqbal_24040124410005.rar Restricted to Repository staff only Download (21MB) | Request a copy
	Text 1. COVER.pdf Download (198kB)
	Text 3. REKOMENDASI LAYAK UJIAN TESIS.pdf Download (379kB)
	Text 6. HALAMAN PENGESAHAN TESIS.pdf Download (4MB)
	Text 7. KATA PENGANTAR.pdf Download (258kB)
	Text 8. DAFTAR ISI.pdf Download (667kB)
	Text 12. ABSTRAK.pdf Download (272kB)
	Text 13. ABSTRACT.pdf Download (307kB)
	Text 15. BAB I PENDAHULUAN.pdf Download (293kB)
	Text 20. DAFTAR PUSTAKA.pdf Download (322kB)

Abstract

Klasifikasi multi-kelas Non-Small Cell Lung Cancer (NSCLC) berbasis
citra CT masih menghadapi tantangan dalam hal representasi fitur dan generalisasi
model. Penelitian sebelumnya masih memanfaatkan satu jenis ekstraksi fitur atau
menunjukkan performa tinggi pada validasi silang, namun mengalami penurunan
pada data independen. Penelitian ini bertujuan untuk memperoleh representasi fitur
tekstur CT paru melalui ekstraksi fitur hibrida, mengklasifikasikan citra ke dalam
empat kelas, serta menentukan kombinasi teknik ekstraksi fitur hibrida dan
algoritma klasifikasi machine learning yang terbaik. Metodologi dalam penelitian
ini menggunakan dataset sebanyak 851 citra yang dibagi menjadi 70% data latih
dan 30% data uji, dengan teknik 5-fold cross validation. Tahap pra-pemrosesan
dilakukan penyesuaian ukuran citra terlebih dahulu dan peningkatan kontras
menggunakan Contrast Limited Adaptive Histogram Equalization (CLAHE).
Fokus utama penelitian ini adalah penggabungan fitur tekstur hibrida, yaitu Gray
Level Co-occurrence Matrix (GLCM) + Local Binary Pattern (LBP), Gabor filter
+ LBP, dan Gabor filter + GLCM, yang kemudian diklasifikasikan menggunakan
algoritma K-Nearest Neighbor (KNN) dan Random Forest. Hasil penelitian
menunjukkan bahwa kombinasi fitur GLCM + LBP yang didukung algoritma
Random Forest memberikan performa terbaik berdasarkan nilai akurasi 99,22%.
Temuan ini menunjukkan bahwa integrasi fitur tekstur hibrida dan algoritma
klasifikasi yang tepat mampu meningkatkan akurasi klasifikasi multi-kelas kanker
paru berbasis citra CT.
Kata Kunci: kanker paru, NSCLC, ekstraksi fitur hibrida, machine learning

Actions (login required)

View Item