Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

Efektivitas Teknik Penanganan Outlier Berbasis Klasterisasi K-means dalam Klasifikasi Citra Endoskopi Kondisi Kolon Menggunakan CNN

Rektorat UDINUS 2024 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2024
Tujuan
Nomor
1569afa4-754b-4e05-ab9f-e7563eb15c47
Terbit
2026-10-30

Universitas Dian Nuswantoro (UDINUS), melalui peneliti Athiyah, Ummi; Rustad, Supriadi; Soeleman, Moch Arief; Muljono; dan Akrom, Muhamad, melaksanakan studi mengenai penanganan outlier berbasis K-means Clustering dalam klasifikasi citra endoskopi kolon menggunakan convolutional neural network. Studi ini membahas kebutuhan deteksi dini yang akurat dalam konteks kanker kolorektal, yang dalam sumber disebut sebagai salah satu penyebab utama kematian akibat kanker di seluruh dunia.

Kegiatan ini menggunakan pencitraan endoskopi karena teknologi tersebut berperan penting dalam diagnosis. Studi ini mengkaji pengaruh outlier pada citra endoskopi, yang dapat memengaruhi akurasi model klasifikasi secara signifikan. Histogram of Oriented Gradients digunakan untuk ekstraksi fitur. K-means Clustering diterapkan untuk mendeteksi dan menghapus outlier. Dataset terdiri atas citra endoskopi kolon yang diperoleh dari basis data publik Gastrovision. Citra tersebut dibagi menjadi dua kelas, yaitu kondisi normal dan abnormal.

Proses pemodelan terdiri atas dua tahap. Tahap pertama menggunakan dataset asli. Tahap kedua menggunakan dataset yang telah dibersihkan setelah penghapusan outlier. Hasil yang dilaporkan menunjukkan peningkatan kinerja model setelah penanganan outlier. Akurasi meningkat dari 61% menjadi 85%. Area Under Curve dari kurva ROC meningkat dari 0,84 menjadi 0,92. Peningkatan AUC menunjukkan kemampuan model yang lebih baik dalam membedakan kondisi normal dan abnormal.

Temuan tersebut menekankan pentingnya kualitas data dan pengelolaan outlier yang efektif dalam melatih model machine learning untuk kondisi citra endoskopi kanker kolon. Dengan demikian, kegiatan ini menempatkan UDINUS dalam pelaksanaan riset yang menerapkan ekstraksi fitur, deteksi dan penghapusan outlier, serta klasifikasi citra pada citra endoskopi. Perbandingan antara dataset asli dan dataset yang telah dibersihkan menjadi dasar yang dilaporkan untuk menilai kinerja model setelah penanganan outlier.

Rujukan https://www.scopus.com/pages/publications/85218491713?origin=resultslist