Klasifikasi Multi-Kelas Kanker Paru Berbasis Ekstraksi Fitur Hibrida GLCM, LBP dan Gabor Filter Menggunakan Algoritma Random Forest dan KNN pada Citra CT-Scan

Penelitian ini bertujuan untuk meningkatkan kinerja klasifikasi multi-kelas kanker paru jenis Non-Small Cell Lung Cancer (NSCLC) berbasis citra CT-Scan melalui pendekatan ekstraksi fitur hibrida. Metode yang digunakan menggabungkan fitur Gray Level Co-occurrence Matrix (GLCM), Local Binary Pattern (LBP), dan Gabor Filter yang diklasifikasikan menggunakan algoritma Random Forest dan K-Nearest Neighbor (KNN). Dataset terdiri dari empat kelas citra, yaitu adenocarcinoma, large cell carcinoma, squamous cell carcinoma, dan normal. Evaluasi kinerja dilakukan menggunakan metrik akurasi, sensitivitas, spesifisitas, dan Area Under Curve (AUC). Hasil menunjukkan bahwa kombinasi fitur GLCM+LBP dengan algoritma Random Forest menghasilkan performa terbaik dengan akurasi 99,22%. Model ini terbukti efektif dalam mengenali variasi tekstur global dan lokal jaringan paru serta stabil dalam membedakan setiap kelas citra. Penelitian ini menyimpulkan bahwa kombinasi fitur tekstur hibrida dan algoritma ensemble mampu menghasilkan model klasifikasi yang akurat, efisien, serta berpotensi untuk dikembangkan sebagai sistem pendukung diagnosis otomatis dalam bidang fisika medis.