Penanganan Data Tidak Seimbang Berbasis Pembelajaran Cost-Sensitive Pada Klasifikasi Nodul Tiroid

Akhmad Faizal, Wahyono, Ph.D.

2025 | Tesis | MAGISTER KECERDASAN ARTIFISIAL

Tiroid adalah kelenjar endokrin krusial yang mengatur metabolisme dan perkembangan tubuh. Seringkali, kelenjar ini mengembangkan nodul tiroid, yaitu pertumbuhan abnormal yang sangat umum terjadi dan memerlukan perhatian klinis untuk membedakan sifat jinak atau ganasnya. Diagnosis nodul tiroid melalui ultrasonografi (US) masih menghadapi tantangan berupa rendahnya spesifisitas dan bias akibat distribusi data yang tidak seimbang, di mana kasus ganas hanya mewakili sebagian kecil dari populasi. Penelitian ini bertujuan mengembangkan sistem berbasis pembelajaran mesin yang mampu mengatasi permasalahan tersebut melalui segmentasi dengan U-Net dan klasifikasi menggunakan SVM serta XGBoost dengan pendekatan cost-sensitive learning (CSL). Model U-Net yang digunakan untuk tahap segmentasi mencapai nilai Intersection over Union (IoU) sebesar 79,82%, menunjukkan kemampuan yang baik dalam mengekstraksi area nodul secara akurat. Hasil evaluasi menunjukkan bahwa SVM tanpa CSL gagal melakukan klasifikasi secara efektif dengan sensitivitas 100% namun spesifisitas dan NPV sebesar 0%. Penerapan CSL memperbaiki kemampuan diskriminasi model. SVM + CSL Default menghasilkan spesifisitas 79,1?n sensitivitas 33%, sementara SVM + CSL Bobot Random menghasilkan spesifisitas 65,7?n sensitivitas 46,1%. Di sisi lain, XGBoost menunjukkan performa sangat unggul dengan sensitivitas 98,2%, PPV 97,8%, dan AUC 85,3%. Meskipun model Cine CNNTrans memiliki AUC tertinggi (88%), XGBoost memberikan keseimbangan metrik yang lebih optimal untuk deteksi kasus ganas. Temuan ini menegaskan bahwa kombinasi U-Net dan XGBoost dengan CSL lebih relevan secara klinis dalam menangani ketidakseimbangan data pada klasifikasi risiko nodul tiroid.

The thyroid is a crucial endocrine gland that regulates metabolism and body development. Often, this gland develops thyroid nodules, which are very common abnormal growths that require clinical attention to distinguish whether they are benign or malignant. Thyroid nodule diagnosis using ultrasonography (US) still faces challenges due to its low specificity and bias arising from imbalanced data distribution, where malignant cases represent only a small fraction of the population. This study aims to develop a machine learning–based system to address these challenges by employing U-Net for segmentation and SVM as well as XGBoost with a cost-sensitive learning (CSL) approach for classification. The U Net segmentation model achieved an Intersection over Union (IoU) of 79.82%, demonstrating good capability in accurately extracting nodule regions. Evaluation results show that SVM without CSL failed to classify effectively, with 100% sensitivity but 0% specificity and NPV. The application of CSL improved the model's discriminative ability; SVM + CSL Default yielded 79.1% specificity and 33% sensitivity, while SVM + CSL Random Weights produced 65.7% specificity and 46.1% sensitivity. On the other hand, XGBoost demonstrated superior performance with 98.2% sensitivity, 97.8% PPV, and an AUC of 85.3%. Although the Cine-CNNTrans model achieved the highest AUC (88%), XGBoost provided a more optimal balance of metrics for detecting malignant cases. These findings confirm that the combination of U-Net and XGBoost with CSL is more efficient and clinically relevant in handling data imbalance for thyroid nodule risk classification.

Kata Kunci : Ultrasound, SVM, XGBoost, Cost-sensitive Learning, Klasifikasi Tiroid