62
Tabel 3.2 Hasil Normalisasi Citra JPCLN001.jpg Nama File
JPCLN001.jpg
Contrast -0,445430
Correlation -1,701948
Energy 0,735805
Homogeneity 0,563467
Sum entropy -0,954778
Sum of square variance 0,595456
Invers difference moment 0,466628
Sum average 0,642650
Sum variance -0,965272
Entropy 0,667330
Difference entropy -0,529879
Maximum probability -0,536905
Dissimilarity entropy -0,547377
4. Pembagian Input Fitur Citra
Pada tugas akhir ini menggunakan pembagian input fitur citra yaitu 80 dari data keseluruhan sebagai data training dan 20 dari data keseluruhan sebagai data
testing. Oleh karena itu, dari 125 data citra foto paru dibagi menjadi data training sebanyak 100 data 55 kanker dan 45 normal dan data testing sebanyak 25 data 13
kanker dan 12 normal. Hasil pembagian input terdapat pada lampiran 67 halaman 111117.
5. Menentukan Variabel Input dan Variabel Output
Variabel input pada model SOM-RBFNN yang digunakan adalah hasil 13 parameter yang diperoleh dari ekstraksi fitur citra paru. Parameter yang digunakan
63 sebagai input adalah contrast, correlation, energy, homogeneity, sum entropy, sum
of square variance, invers difference moment, sum average, sum variance, entropy, difference entropy, maximum probability, dan dissimilarity entropy. Sehingga
jumlah neuron pada lapisan input fitur sebanyak 13 neuron. Variabel output pada model SOM-RBFNN yang digunakan adalah hasil
klasifikasi dari citra paru, yaitu dengan satu variabel output, sehingga jumlah neuron pada lapisan output adalah satu neuron. Target jaringan yang digunakan
adalah klasifikasi masing-masing citra paru yaitu normal dan kanker, sehingga target dan output jaringan yaitu 1 untuk citra paru dengan hasil klasifikasi kanker,
dan 2 untuk citra paru dengan hasil klasifikasi normal. Variabel output menggunakan satu variabel yang dibagi menjadi 2 selang untuk penentuan hasil
klasifikasi dengan kriteria pengelompokkan sebagai berikut, a.
Jika output bernilai
, maka dianggap 1, sehingga hasil
klasifikasi kanker. b.
Jika output bernilai
≥ , maka dianggap 2, sehingga hasil
klasifikasi normal.
6. Pembelajaran SOM-RBFNN
Tahap awal pembelajaran SOM-RBFNN adalah melakukan ektraksi 13 input fitur citra yaitu contrast, correlation, energy, homogeneity, sum entropy, sum of
square variance, invers difference moment, sum average, sum variance, entropy, difference entropy, maximum probability, dan dissimilarity entropy. Setelah
didapatkan 13 input fitur hasil ekstraksi citra kemudian dilakukan proses normalisasi input fitur citra.
64 Tahap kedua pembelajaran SOM-RBFNN adalah proses pembelajaran tak
terawasi unsupervised learning. Proses pembelajaran tak terawasi pada model SOM-RBFNN menggunakan metode SOM Kohonen clustering. Hasil dari SOM
Kohonen clustering terdapat pada lampiran 8 halaman 119. Setelah melakukan proses clustering, dilakukan pencarian nilai pusat dan jarak maksimum dari masing-
masing cluster. Nilai pusat dan jarak maksimum digunakan untuk perhitungan fungsi aktivasi pada lapisan tersembunyi. Nilai pusat dan jarak maksimum dari hasil
proses SOM Kohonen clustering dengan jumlah 5 cluster terdapat pada tabel 3.3.
Tabel 3.3 Nilai Pusat dan Jarak Maksimum SOM Kohonen 5 Cluster Variabel
Cluster 1 Cluster 2 Cluster 3 Cluster 4 Cluster 5
Pusat
0,00137 0,00814
-0,00530 0,00012
-0,00392 0,00343
0,00263 -0,00538 -0,00251
0,00224 -0,00436
-0,00697 0,00805
0,00113 0,00165
-0,00243 -0,00882
0,00649 -0,00028
0,00465 0,00424
0,00792 -0,00787 -0,00142 -0,00242
-0,00373 -0,00805
0,00638 0,00253
0,00260 -0,00154
-0,00833 0,00553
-0,00013 0,00406
-0,00354 -0,00829
0,00628 0,00259
0,00268 0,00431
0,00783 -0,00789 -0,00148 -0,00232
-0,00396 -0,00806
0,00686 0,00231
0,00253 0,00245
0,00862 -0,00654
0,00045 -0,00456
-0,00355 -0,00551
0,00640 0,00146
0,00079 0,00226
0,00881 -0,00634
0,00024 -0,00457
Jarak Maksimum
3,65780 7,99816
7,20312 3,34397
3,63742
Selanjutnya, pada tahap ketiga pembelajaran SOM-RBFNN adalah menentukan jumlah neuron pada lapisan tersembunyi. Jumlah neuron pada lapisan
tersembunyi sama dengan jumlah cluster yang digunakan pada metode SOM
65 Kohonen clustering. Penentuan jumlah neuron pada lapisan tersembunyi secara
trial and error. Pada tahap keempat pembelajaran SOM-RBFNN adalah menentukan bobot-
bobot yang menghubungkan neuron pada lapisan tersembunyi menuju lapisan output. SOM-RBFNN akan melakukan pembelajaran terawasi supervised
learning untuk memperoleh bobot optimal. Metode global ridge regression merupakan metode pembelajaran terawasi yang digunakan untuk menentukan
bobot.
7. Menentukan Jaringan Optimum
