Analisis Komparatif Teknik Seleksi Fitur Dalam Klasifikasi Subtipe Glioma

Abstract

Glioma merupakan tumor otak primer yang membutuhkan identifikasi subtipe tepat untuk menentukan rencana pengobatan optimal. Penelitian ini menganalisis performa lima teknik seleksi fitur (CFS, LDA, SBE, SFS, dan RFE) dalam klasifikasi subtipe glioma menggunakan algoritma SVM dan Random Forest. Dataset TCGA mencakup 862 sampel pasien glioma (TCGA-LGG dan TCGA-GBM) dengan 27 fitur yang terdiri dari fitur molekuler, klinis, dan pendukung. Preprocessing meliputi data cleaning, one-hot encoding, analisis korelasi, feature scaling, dan random oversampling. Seleksi fitur diimplementasikan dengan variasi jumlah fitur (5, 10, 15, 20, dan 25). Evaluasi model menggunakan train-test split (60:40, 70:30, 80:20, 90:10) dan K-fold cross validation (K=3, 5, 7, 10) dengan hyperparameter tuning menggunakan Grid SearchCV. Hasil menunjukkan Random Forest secara konsisten mengungguli SVM. Konfigurasi terbaik dicapai RF dengan RFE menggunakan 10 fitur dan split 80:20, menghasilkan akurasi 93.00%, precision 88.39%, recall 99.00%, specificity 87.00%, F1-score 93.40%, dan AUC 96.42%. Untuk SVM, konfigurasi terbaik menggunakan SBE dengan 10 fitur dan split 90:10 menghasilkan akurasi 93.00%, precision 89.09%, recall 98.00%, specificity 88.00%, F1-score 93.33%, dan AUC 95.76%.