Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

Seleksi Fitur Multi-Strategi untuk Grading Glioma Menggunakan Model Klasik dan Deep Learning

Rektorat UDINUS 2025 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2025
Tujuan
Nomor
f9d17050-f7fd-4fd3-b561-467a14be844d
Terbit
2026-10-30

Universitas Dian Nuswantoro melaksanakan kegiatan mengenai grading glioma melalui pipeline klasifikasi glioma adaptif. Kegiatan ini melibatkan peneliti UDINUS Rizqi, Ainur Rahma Miftakhul; Nugraha, Adhitya; Luthfiarta, Ardytha; Dewi, Ika Novita; Hafiizhudin, Lutfi Azis; dan Novtagravina, Adelfia Milka. Glioma dibahas sebagai tumor otak kompleks yang memerlukan grading akurat untuk perencanaan pengobatan yang efektif dan tepat waktu serta diagnosis. Kegiatan ini berfokus pada tantangan berupa fitur klinis dan molekuler berdimensi tinggi serta ketidakseimbangan kelas yang signifikan, yang dapat menghambat kinerja model.

Evaluasi menggunakan subset dataset The Cancer Genome Atlas yang terdiri atas 839 catatan pasien dengan 24 fitur. Empat model klasifikasi dievaluasi, yaitu Logistic Regression, Random Forest, Multilayer Perceptron, dan CNN-1D. Model-model tersebut dikombinasikan dengan tiga metode seleksi fitur, yaitu Mutual Information, Particle Swarm Optimization, dan Hybrid Voting. Kinerja dinilai menggunakan data yang tidak seimbang dan data yang diseimbangkan dengan SMOTE. Rancangan ini memungkinkan perbandingan model klasifikasi, strategi seleksi fitur, dan kondisi data dalam pipeline yang dievaluasi.

Kinerja paling robust dicapai oleh CNN-1D dengan seleksi fitur berbasis PSO. Kombinasi tersebut menghasilkan akurasi 88,1%, F1-score 88,2%, AUC 92,0%, precision 88,9%, dan recall 88,1%. Penerapan SMOTE memberikan peningkatan yang signifikan secara statistik pada model Random Forest, dengan p < 0,005. SMOTE juga memungkinkan model Logistic Regression mencapai AUC puncak 93,0% dan recall 94,3%.

Temuan mengonfirmasi bahwa integrasi penyeimbangan data dengan seleksi fitur adaptif dapat meningkatkan kinerja klasifikasi glioma. Pendekatan yang dihasilkan disajikan sebagai alat pendukung keputusan yang andal bagi tenaga medis. Dengan demikian, kegiatan ini membingkai riset UDINUS melalui evaluasi metode komputasional untuk klasifikasi glioma serta relevansinya yang dinyatakan terhadap diagnosis dan perencanaan pengobatan.

Rujukan https://www.scopus.com/pages/publications/105031617735?origin=resultslist