Optimasi Akurasi Model Machine Learning Klasifikasi Tumor Otak Dengan Principal Component Analysis

Masalah utama dalam klasifikasi tumor otak adalah ketepatan dan kecepatan diagnosis menggunakan citra medis. Penelitian ini bertujuan meningkatkan akurasi model pembelajaran mesin untuk klasifikasi tumor otak dengan menggunakan Principal Component Analysis (PCA) untuk reduksi dimensi. Metode penelitian meliputi pre- processing gambar, scaling fitur, penerapan PCA, dan implementasi algoritma pembelajaran mesin seperti Logistic Regression, Random Forest, Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Naive Bayes. Dataset terdiri dari 3264 gambar yang dibagi menjadi set pelatihan dan pengujian. Hasil menunjukkan bahwa penggunaan PCA memiliki dampak berbeda pada setiap algoritma. PCA meningkatkan akurasi SVM dari 81% menjadi 83% dan KNN dari 68% menjadi 71%, tetapi menurunkan akurasi Logistic Regression dari 77% menjadi 69% dan Naive Bayes dari 49% menjadi 42%. Evaluasi dilakukan menggunakan Confusion Matrix dan AUC- ROC untuk mengukur kinerja model. Kesimpulannya, pemilihan algoritma dan metode preprocessing yang tepat sangat penting dalam klasifikasi citra medis, dan penggunaan PCA harus dipertimbangkan berdasarkan karakteristik data dan algoritma yang digunakan. Penelitian ini juga mendorong eksplorasi metode reduksi dimensi alternatif untuk analisis citra medis.

Kata kunci: Citra medis, Klasifikasi tumor otak, KNN, Naive Bayes, Pembelajaran mesin, Principal Component Analysis, Random Forest, SVM.