Normalisasi Data Pembelajaran Radial Basis Function Neural Network

73

3. Pendefinisian Variabel Input dan Target

Pemodelan RBFNN diawali dengan menentukan variabel input dan target yang akan digunakan sebagai input dan target jaringan. Variabel input berasal dari fitur-fitur hasil ekstraksi citra, sedangkan target jaringan berupa klasifikasi atau diagnosa kondisi dari masing-masing citra. Variabel output adalah target jaringan yang diperoleh dari proses pembelajaran RBFNN. Banyaknya variabel input akan menentukan banyaknya neuron pada lapisan input dan banyaknya variabel output akan menentukan banyaknya neuron pada lapisan output.

4. Pembagian Data Input

Data input dibagi menjadi dua, yaitu data pembelajaran training dan data pengujian testing. Data training digunakan untuk membangun sebuah model dan mendapatkan bobot yang sesuai. Sedangkan data testing digunakan untuk mengetahui tingkat keakuratan hasil dengan nilai sebenarnya. Terdapat beberapa perbandingan dalam pembagian data menjadi data training maupun testing yang sering digunakan, antara lain Deb Rajib et al, 2015: a. 60 untuk data training dan 40 untuk data testing. b. 75 untuk data training dan 25 untuk data testing. c. 80 untuk data training dan 20 untuk data testing. Pada tugas akhir ini, menggunakan pembagian data 80 untuk data training dan 20 untuk data testing.

5. Normalisasi Data

Normalisasi adalah penskalaan terhadap data input ke dalam suatu range tertentu sehingga data input menjadi lebih merata seragam. Hal ini dilakukan 74 agar data input sesuai dengan range dari fungsi aktivasi yang digunakan dalam jaringan. Data input dinormalisasi dengan cara membawa data ke bentuk normal baku yaitu dengan mean = 0 dan standar deviasi =1. Berikut adalah rumus normalisasi data. ̅ 3.29 dengan, data ke- ; ̅ rata-rata data; ̅ ∑ standar deviasi data; √ ∑ ̅ banyak data Pada MATLAB R2013a normalisasi data dapat dicari dengan fungsi prestd. Syntax yang digunakan adalah sebagai berikut: [Pn,meanp,stdp,Tn,meant,stdt]=prestdP,T 3.30 dengan, P = matriks input, T = matriks target, Pn = matriks input yang ternomalisasi meanp = mean pada matriks input sebelum dinormalisasi P, stdp = standar deviasi pada matriks input sebelum dinormalisasi P, Tn = matriks target yang ternormalisasi, meant = mean pada matriks target sebelum dinormalisasi T, stdt = standar deviasi pada matriks target sebelum dinormalisasi T 75

6. Pembelajaran Radial Basis Function Neural Network

Seperti yang telah dijelaskan sebelumnya, pembelajaran RBFNN terbagi menjadi 3 bagian. Pertama, menentukan pusat dan jarak dari setiap fungsi basis menggunakan metode K-Means clustering dan Fuzzy C-Means clustering sebagai tolok ukur perbedaan klasifikasi yang dihasilkan. Penentuan pusat dan jarak setiap fungsi basis dengan metode K-Means clustering dilakukan menggunakan aplikasi MINITAB, sedangkan pada metode Fuzzy C-Means clustering dilakukan menggunakan fungsi pada MATLAB R2013a. Bagian kedua dalam pembelajaran RBFNN adalah menentukan jumlah fungsi basis neuron pada lapisan tersembunyi. Jumlah neuron pada lapisan tersembunyi sesuai dengan jumlah cluster yang didapat dari metode K-Means clustering dan Fuzzy C-Means clustering. Selanjutnya dalam metode RBFNN dilakukan aktivasi fungsi basis pada lapisan tersembunyi. Dalam tugas akhir ini, aktivasi fungsi basis dilakukan dengan MATLAB R2013a dengan program rbfDesign. Program lengkap untuk rbfDesign dilampirkan pada Lampiran 8. Berikut adalah sebagian fungsi pada program rbfDesign. function H = rbfDesign X, C, R, option 3.31 dengan, H = matriks desain RBFNN X = matriks input C = matriks pusat cluster R = matriks jarak input terhadap pusat cluster Option = tipe aktivasi fungsi basis 76 Tipe aktivasi yang digunakan pada tugas akhir ini adalah fungsi Gaussian dengan ‘b’yaitu neuron bias yang ditambahkan pada jaringan sehingga matriks akan mendapatkan satu kolom tambahan. Selanjutnya dalam pembelajaran RBFNN adalah menentukan bobot pada lapisan tersembunyi ke lapisan output. Metode global ridge regression dapat digunakan dalam mencari bobot optimum tersebut. Dalam tugas akhir ini, dalam mendapatkan bobot optimum, metode global ridge regression digunakan melalui MATLAB R2013a yang secara lengkap dilampirkan pada Lampiran 9. Berikut adalah sebagian fungsi pada program globalRidge. Lamb = globalRidgeH, T, 0.05 3.32 dengan, Lamb = parameter regulasi H = matriks desain RBFNN T = target input training 0.05 = nilai estimasi parameter regulasi Pada tugas akhir ini kriteria yang digunakan dalam program globalRidge adalah kriteria GCV Generalised Cross-Validation

7. Menentukan Jaringan Optimum