Teknik Random Undersampling untuk Mengatasi Ketidakseimbangan Kelas pada CT Scan Kista Ginjal

Abstract

Kista ginjal adalah pertumbuhan jaringan berbentuk kantong yang berisi carian pada sekitar ginjal. Seringkali kista ginjal tidak menimbulkan gejala, sehingga memerlukan pantauan reguler dokter. Dokter dapat melakukan pemeriksaan dan merencanakan tindakan penelitian lebih lanjut. Penelitiaan ini fokus pada model klasifikasi kista menggunakan model Deep Learning dengan arsitektur Convolution Neural Network (CNN), jenis jaringan syaraf tiruan untuk analisis gambar CT scan kista ginjal. Selain itu, penggunaan teknik pre-processing untuk meningkatkan performa model dengan memperbanyak varisasi data. Dalam membuat model klasifikasi perlu memperhatikan pemahaman data, tingkat interpretabilitas model, dan penanganan overfitting. Overfitting terjadi ketika model terlalu fokus pada data latih, sehingga tidak dapat memproses data uji dengan baik. Solusi untuk menangani masalah distribusi kelas adalah dengan penyeimbang kelas (resampling). Resampling dibagi menjadi dua jenis yaitu, undersampling dan oversampling. Undersampling merupakan metode sampling secara acak memilih di kelas mayoritas dan menambahkannya di kelas minoritas. Dan oversampling merupakan menggandakan sampel di kelas minoritas secara acak. Pada hasil pengujian model yang dilakukan dapat ditarik kesimpulan bahwa penggunaan teknik undersampling RUS memiliki tingkat akurasi tertinggi dengan nilai 30,82% untuk klasifikasi kista ginjal pada dataset tidak seimbang.