Reduksi Fitur Untuk Optimalisasi Klasifikasi Tumor Payudara Berdasarkan Data Citra FNA

Abstract

Klasifikasi tumor jinak dan ganas dapat digunakan sebagai penentu adanya kanker payudara pada pasien. Salah satu modalitas untuk klasifikasi tumor adalah Fine Needle Aspiration (FNA). Beberapa fitur seperti tekstur dan kontur dapat diekstrak dari citra FNA untuk klasifikasi tumor menggunakan Computer Aided Diagnosis (CAD). Namun, tidak semua fitur hasil ekstraksi dapat berkontribusi positif terhadap klasifikasi. Penelitian ini bertujuan untuk meningkatkan performa klasifikasi tumor payudara menggunakan fitur citra FNA. Adapun metode yang diajukan adalah tiga jenis metode reduksi fitur, yaitu PCA, RFE dan RFECV. Data sebelum dan setelah reduksi fitur digunakan untuk klasifikasi tumor dengan klasifier KNN. Hasil klasifikasi menunjukkan akurasi tertinggi dicapai dari penggunaan PCA dengan KNN, yaitu sebesar 0.9736. Tingkat akurasi tersebut mengalami peningkatan jika dibandingkan dengan penggunaan fitur awal. Waktu komputasi menggunakan PCA juga mengalami penurunan, yaitu menjadi 1.231 detik.