KEHAULANI, M. Saujana Shafi (2025) Analisis Pengaruh Seleksi Fitur Hasil Penggabungan Fitur pada Deteksi Pra-kanker Citra Kolposkopi dengan Model SVM dan XGBoost. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-M. Saujana Shafi Kehaulani-H1A021053-Skripsi-2026.pdf Download (1MB)
	PDF (Legalitas) LEGALITAS-M. Saujana Shafi Kehaulani-H1A021053-Skripsi-2026.pdf Restricted to Repository staff only Download (2MB)
	PDF (Abstrak) ABSTRAK-M. Saujana Shafi Kehaulani-H1A021053-Skripsi-2026.pdf Download (1MB)
	PDF (BabI) BAB-I-M. Saujana Shafi Kehaulani-Skripsi-2026.pdf Restricted to Repository staff only until 20 February 2027. Download (1MB)
	PDF (BabII) BAB-II-M. Saujana Shafi Kehaulani-Skripsi-2026.pdf Restricted to Repository staff only until 20 February 2027. Download (2MB)
	PDF (BabIII) BAB-III-M. Saujana Shafi Kehaulani-Skripsi-2026.pdf Restricted to Repository staff only until 20 February 2027. Download (1MB)
	PDF (BabIV) BAB-IV-M. Saujana Shafi Kehaulani-Skripsi-2026.pdf Restricted to Repository staff only Download (2MB)
	PDF (BabV) BAB-V-M. Saujana Shafi Kehaulani-Skripsi-2026.pdf Download (1MB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-M. Saujana Shafi Kehaulani-Skripsi-2026.pdf Download (1MB)
	PDF (Lampiran) LAMPIRAN-M. Saujana Shafi Kehaulani-Skripsi-2026.pdf Restricted to Repository staff only Download (2MB)

Abstract

Kanker serviks menjadi salah satu penyebab utama kematian akibat kanker pada wanita di seluruh dunia. Deteksi dini menjadi kunci utama dalam penanganan dan pencegahan kanker serviks. Kolposkopi merupakan metode inspeksi visual dalam deteksi dini kanker serviks. Seiring kemajuan teknologi, pengolahan citra dan machine learning menjadi solusi potensial untuk mengotomasi dan mempercepat diagnosis. Meksi demikian, tantangan terbesar terletak pada pemilihan fitur yang relevan agar model machine learning dapat bekerja secara optimal. Seleksi fitur menjadi salah satu kunci dalam pemilihan subset fitur yang optimal. Metode fiilter mengevaluasi fitur berdasarkan karakteristik statistik tanpa bergantung pada model tertentu, sehingga mengurangi risiko overfitting. Sebaliknya, metode wrapper memilih fitur berdasarkan performa model, memastikan bahwa fitur yang dipilih benar-benar mengoptimalkan akurasi prediksi. Kombinasi kedua metode ini bertujuan untuk mendapatkan subset fitur terbaik untuk menghasilkan model dengan performa optimal. Support Vector Machine (SVM) dan Extreme Gradient Boosting (XGBoost) merupakan algoritma yang dikenal memiliki performa tinggi dalam tugas klasifikasi. SVM unggul dalam memisahkan data dengan pola overfitting melalui regulasi yang baik. Kombinasi kedua model ini memungkinkan evaluasi yang komprehensif terhadap pengaruh seleksi fitur pada berbagai karakteristik model machine learning.

Item Type:	Thesis (Skripsi)
Nomor Inventaris:	H26073
Uncontrolled Keywords:	Kolposkopi, pengolahan citra, seleksi fitur, machine learning
Subjects:	I > I32 Image processing software
Divisions:	Fakultas Teknik > S1 Teknik Elektro
Depositing User:	Mr. M. SAUJANA SHAFI KEHAULANI
Date Deposited:	20 Feb 2026 01:09
Last Modified:	20 Feb 2026 01:09
URI:	http://repository.unsoed.ac.id:443/id/eprint/39751

Actions (login required)

View Item