Tumor paru-paru
adalah massa sel abnormal di dalam tubuh. Tumor ganas bersifat kanker karena
dapat menyebar ke seluruh tubuh dan mengganggu jaringan di sekitarnya.
Mendeteksi sel-sel kanker ini di paru-paru penting karena deteksi yang tertunda
dapat menghambat pilihan pengobatan yang efektif, yang menyebabkan tingkat
kelangsungan hidup yang lebih rendah. Namun, mengklasifikasikan keganasan tumor
sangat bergantung pada pengetahuan dan pengalaman ahli radiologi. Penelitian
ini menggabungkan fitur berbasis tekstur yang diekstraksi dari gambar Computed
Tomography Scan (CT Scan) paru-paru seperti fitur Gray Level
Co-occurrence Matrix (GLCM), Gray Level Run-length Matrix (GLRLM), Gray
Level Size-zone Matrix (GLSZM), dan Haralick. Penelitian ini berkontribusi
dengan menciptakan model deteksi tumor paru yang efisien melalui penggabungan
fitur dan seleksi fitur Relief-F. Sebagai perbandingan, beberapa
pengklasifikasi machine learning konvensional, termasuk SVM RBF, KNN,
RF, DT, dan XGBoost, digunakan untuk mengevaluasi kinerja pengklasifikasi.
Hasilnya menunjukkan bahwa metode ajuan dengan pengklasifikasi random forest
menghasilkan skor evaluasi terbaik dengan akurasi 99,55%, presisi 99,55%,
recall 99,55%, dan F1-Score 99,54%.
