yang berdimensi lebih tinggi, yaitu . Pada umumnya transformasi
ini tidak diketahui dan sangat sulit untuk dipahami sehingga perhitungan dot product dapat digantikan dengan fungsi kernel yang dirumuskan menurut Vapnik dan Cortes
1995 sebagai berikut:
Sehingga persamaan menjadi sebagai berikut:
Fungsi hasil pembelajaran yang dihasilkan disajikan pada persamaan 16.
Dengan: ns = banyaknya data pelatihan yang termasuk support vector.
x = data yang diklasifikasikan Kernel yang yang digunakan pada SVM diantaranya adalah :
1. Linear :
2. Polynomial :
3. Gaussian radial-basis function :
dengan: γ , r dan d merupakan parameter kernel.
2.5 Probabilistic Neural Network PNN
Probabilistic neural network PNN merupakan jaringan syaraf tiruan yang dibangun berdasar kaidah keputusan Bayes dan dikembangkan oleh Donald Specht
pada tahun 1988. PNN merupakan ANN yang menggunakan radial basis function 18
19
20 15
16
17
RBF. RBF adalah fungsi yang berbentuk seperti bel yang menskalakan variabel non-linear Wu et al. 2007. Kelebihan menggunakan arsitektur PNN adalah training
data mudah dan sangat cepat, hal ini karena dilakukan hanya satu tahap. Struktur PNN menurut Wu et al. 2007 disajikan pada Gambar 7.
Gambar 7 Struktur PNN. Struktur PNN ditunjukkan pada Gambar 6 yang terdiri atas empat lapisan yaitu
lapisan masukan, lapisan pola, lapisan penjumlahan, dan lapisan keputusankeluaran Wu et al. 2007.
1 Lapisan masukan, merupakan objek terdiri atas k nilai ciri yang akan
diklasifikasikan pada n kelas. 2 Lapisan pola pattern layer, digunakan 1 node pola untuk setiap data pelatihan
yang digunakan. Setiap node pola menghasilkan Z
i
= . Bobot
merupakan nilai data latih ke-i pada kelas ke-j. Nilai Z
i
kemudian dibagi dengan bias tertentu σ dan selanjutnya dimasukkan ke dalam fungsi radial basis,
yaitu radbasn = exp -n
2
. Dengan demikian persamaan yang digunakan pada lapisan pola seperti pada Persamaan 21.
3 Lapisan penjumlahan summation layer, menerima masukan dari node lapisan pola yang terkait dengan kelas yang ada. Persamaan yang digunakan pada lapisan
ini adalah:
dengan k merupakan dimensi vektor ciri, σ merupakan bias dan t merupakan
jumlah data latih pada kelas tertentu. 4 Lapisan keluaran output layer, menghasilkan keputusan input masuk ke dalam
suatu kelas. Input akan masuk kelas Y jika nilai p
Y
x paling besar dibandingkan kelas yang lainnya.
2.6 Confusion Matrix
Confusion Matrix merupakan sebuah tabel yang terdiri atas banyaknya baris data yang diuji yang diprediksi benar dan salah oleh model klasifikasi, hal ini bertujuan
untuk menentukan kinerja dari suatu model kalsifikasi yang digunakan Tan PN 2005. Tabel Confusion Matrix disajikan pada Tabel 1 .
Tabel 1 Confusion Matrix
Assigned Class Class=1
Class=0 True
Class Class=1
F11 F10
Class=0 F01
F00 21
22
F11 merupakan jumlah citra dari kelas 1 yang benar diklasifikasikan sebagai kelas 1, F00 merupakan jumlah citra dari kelas 1 yang benar diklasifikasikan sebagai
kelas 0, adapun F01 merupakan jumlah citra dari kelas 0 yang salah diklasifikasikan sebagai kelas 1, F10 merupakan jumlah citra dari kelas 1 yang benar diklasifikasikan
sebagai kelas 0.
2.7 Tumbuhan Obat