KLASIFIKASI KANKER PARU-PARU DENGAN METODE STACKING FRAMEWORK BERBASIS BILSTM, LOGISTIC REGRESSION, DAN XGBOOST
Total View This Week0
Total View This Week0
Institusion
Universitas Islam Kalimantan M A B Banjarmasin
Author
Putra, Muhammad Nikho Dwi
Subject
T Technology (General)
Datestamp
2026-07-28 02:17:20
Abstract :
Kanker paru-paru tetap menjadi salah satu penyakit kanker yang umum ditemukan dan mematikan di seluruh dunia, yang berkontribusi terhadap sekitar 1,8 juta kematian setiap tahunnya. Penelitian ini bertujuan untuk mengembangkan metode klasifikasi kanker paru-paru yang efektif dengan memanfaatkan teknik stacking framework yang menggabungkan model BiLSTM, Logistic Regression, dan XGBoost, membandingkan performanya dengan model tunggal dalam hal akurasi, presisi, recall, serta F1-score, serta melakukan optimasi hyperparameter guna meningkatkan efektivitas klasifikasi. Dua model tunggal yang digunakan sebagai base model, yaitu BiLSTM menghasilkan akurasi sebesar 0,9464 dan Logistic Regression sebesar 0,9285, sedangkan stacking framework dengan XGBoost sebagai meta learner mencapai akurasi sempurna 1,0. Hasil tersebut memvalidasi potensi stacking framework dalam meningkatkan kinerja klasifikasi kanker paru-paru yang lebih efektif dibandingkan hanya model algoritma individu. Untuk penelitian selanjutnya, stacking framework perlu diterapkan pada dataset yang lebih besar dan beragam guna menguji skalabilitas serta konsistensi performanya dalam berbagai lingkungan klinis, sekaligus membuka peluang eksplorasi varian model lain dalam struktur stacking agar tingkat akurasi dapat terus ditingkatkan sesuai perkembangan data dan kebutuhan prediksi kanker paru-paru.\r\n\r\nKata Kunci: Klasifikasi, Stacking Framework, Bidirectional Long Short-Term Memory (BiLSTM), Logistic Regression, Extreme Gradient Boosting (XGBoost)
Kanker paru-paru tetap menjadi salah satu penyakit kanker yang umum ditemukan dan mematikan di seluruh dunia, yang berkontribusi terhadap sekitar 1,8 juta kematian setiap tahunnya. Penelitian ini bertujuan untuk mengembangkan metode klasifikasi kanker paru-paru yang efektif dengan memanfaatkan teknik stacking framework yang menggabungkan model BiLSTM, Logistic Regression, dan XGBoost, membandingkan performanya dengan model tunggal dalam hal akurasi, presisi, recall, serta F1-score, serta melakukan optimasi hyperparameter guna meningkatkan efektivitas klasifikasi. Dua model tunggal yang digunakan sebagai base model, yaitu BiLSTM menghasilkan akurasi sebesar 0,9464 dan Logistic Regression sebesar 0,9285, sedangkan stacking framework dengan XGBoost sebagai meta learner mencapai akurasi sempurna 1,0. Hasil tersebut memvalidasi potensi stacking framework dalam meningkatkan kinerja klasifikasi kanker paru-paru yang lebih efektif dibandingkan hanya model algoritma individu. Untuk penelitian selanjutnya, stacking framework perlu diterapkan pada dataset yang lebih besar dan beragam guna menguji skalabilitas serta konsistensi performanya dalam berbagai lingkungan klinis, sekaligus membuka peluang eksplorasi varian model lain dalam struktur stacking agar tingkat akurasi dapat terus ditingkatkan sesuai perkembangan data dan kebutuhan prediksi kanker paru-paru.\r\n\r\nKata Kunci: Klasifikasi, Stacking Framework, Bidirectional Long Short-Term Memory (BiLSTM), Logistic Regression, Extreme Gradient Boosting (XGBoost)
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
