37 =
− + , −
+ −
+ −
= , Karena
minimum untuk = , sehingga masuk dalam kelompok ke-2.
Secara analog, untuk = , , , ,
= , dan = , , sehingga masuk dalam kelompok ke-1.
Untuk = , , , ,
= , dan = , , sehingga
masuk dalam kelompok ke-2.
Untuk = , , , ,
= , dan = , , sehingga
masuk dalam kelompok ke-1.
F. Ketepatan Hasil Klasifikasi
Pengujian ketepatan hasil klasifikasi dilakukan untuk menguji sejauh mana model memberikan ketepatan hasil klasifikasi. Untuk menghitung ketepatan hasil
klasifikasi digunakan tiga ukuran statistik. Tiga ukuran statistik tersebut adalah sensitivitas, spesifisitas, dan akurasi. Hasil kemungkinan yang dapat terjadi dalam
hasil uji klasifikasi tersaji pada tabel 2.1 di bawah ini Wong Lim, 2011: 317:
Tabel 2.1 Hasil Uji Klasifikasi Hasil Uji
Klasifikasi Kondisi Penyakit sebagaimana yang ditetapkan
oleh Standar Kebenaran Positif
Negatif Jumlah Baris
Positif TP
FP TP + FP
Negatif FN
TN FN + TN
Jumlah Kolom TP + FN
FP + TN N = TP + FN + FP + FN
Berdasarkan tabel 2.1, terdapat empat kemungkinan hasil uji klasifikasi yaitu: True Positive TP : klasifikasi asli citra menyatakan kanker dan hasil pembelajaran
menyatakan kanker.
38 True Negative TN : klasifikasi asli citra menyatakan normal dan hasil
pembelajaran menyatakan normal. False Positive FP : klasifikasi asli citra menyatakan normal dan hasil
pembelajaran menyatakan kanker. False Negative FN : klasifikasi asli citra menyatakan kanker dan hasil
pembelajaran menyatakan normal. Sensitivitas adalah kemampuan uji untuk mengidentifikasi hasil positif yang
tepat. Sensitivitas digunakan untuk mengidentifikasi pasien yang memiliki penyakit kanker dari keseluruhan pasien penyakit kanker. Rumus dari sensitivitas adalah
sebagai berikut Wong Lim, 2011: 316: =
�� ��+��
x
2.25
Spesifisitas adalah kemampuan uji untuk mengidentifikasi hasil negatif yang tepat. Spesifisitas digunakan untuk mengidentifikasi pasien yang normal dari
keseluruhan pasien normal. Berikut adalah rumus dari spesifisitas Wong Lim, 2011: 316:
=
�� ��+��
x
2.26
Akurasi adalah kemampuan uji untuk mengidentifikasi hasil yang tepat, baik tepat positif atau tepat negatif dalam sebuah populasi. Berikut adalah rumus dari
akurasi: =
��+�� �
x
2.27
39
BAB III PEMBAHASAN
Bab III merupakan pembahasan yang meliputi proses penyusunan tugas akhir yaitu arsitektur dan model SOM-RBFNN, prosedur pemodelan SOM-RBFNN,
hasil model SOM-RBFNN untuk klasifikasi citra paru, dan ketepatan hasil klasifikasi.
A. Arsitektur dan Model SOM-RBFNN untuk Klasifikasi Citra Paru
SOM-RBFNN adalah jaringan feed-forward dengan tiga lapisan, sebuah lapisan input dengan
� neuron, sebuah lapisan tersembunyi dengan neuron,
dan lapisan output dengan satu neuron Qasem et al, 2013. Lapisan tersembunyi dalam SOM-RBFNN merupakan lapisan output pada SOM Kohonen clustering.
Model SOM-RBFNN melakukan pembelajaran jaringan secara hybrid dengan menggunakan pembelajaran tak terawasi unsupervised learning dan pembelajaran
terawasi supervised learning. Kinerja SOM-RBFNN tergantung pada pemilihan tiga parameter penting nilai pusat dari cluster, nilai jarak dan bobot. Nilai
parameter ini umumnya diketahui dan dapat ditemukan selama proses pembelajaran jaringan Pislaru Shebani, 2014.
1. Arsitektur SOM-RBFNN
Desain dari arsitektur SOM-RBFNN dapat dilihat seperti pada gambar 3.1. Pada desain arsitektur tersebut terdapat
� variabel pada lapisan input, � buah node pada lapisan tersembunyi dan 1 buah output. Dalam arsitektur SOM-RBFNN
juga ditambahkan sebuah neuron bias pada lapisan tersembunyi. Bias tersebut