82
3. Pendefinisian Variabel Input dan Target
Pendefinisian variabel input dan target digunakan sebagai input dan target jaringan. Input berasal dari 14 parameter hasil dari ekstraksi citra
menggunakan Gray Level Co-occurance Matrix GLCM secara lengkap dapat dilihat pada Lampiran 4 dan 5, sehingga banyaknya neuron pada lapisan
input adalah 14 neuron. Variabel target berasal dari keterangan diagnosa masing-masing citra
foto yaitu foto mammogram normal, foto mammogram tumor benign, dan foto mammogram kanker malignant. Target dan output berupa vektor yang
mewakili masing-masing stadium. Pola target yang digunakan yaitu sebagai berikut.
Tabel 3.14. Pola target vektor klasifikasi stadium kanker payudara
No. Stadium Kanker
Target Vektor 1.
Normal 2.
Tumor Benign 1
3. Kanker Malignant
1
Hasil klasifikasi yang didapatkan merupakan bilangan desimal. Pengklasifikasian dilakukan dengan membulatkan bilangan desimal tersebut
dengan kriteria, jika maka dibulatkan menjadi 0, sedangkan apabila
maka hasil perhitungan dibulatkan menjadi 1.
4. Pembagian Data Input
Langkah selanjutnya adalah pembagian data input yang berupa data training dan testing. Dalam tugas akhir ini data training yang digunakan
83
adalah 96 sampel data yaitu 80 dari 120 total sampel data dan data testing yang digunakan adalah 24 sampel data yaitu 20 dari 120 total sampel data.
Hasil pembagian data input terlampir pada Lampiran 1 untuk data training dan
Lampiran 2 untuk data testing. 5.
Normalisasi Data
Sebelum pembelajaran RBFNN dilakukan, data input dinormalisasi terlebih dahulu dengan membawa data ke bentuk normal baku mean = 0,
standar deviasi = 1. Hasil normalisasi data training secara lengkap dapat dilihat pada Lampiran 6 dan untuk data testing dapat dilihat di Lampiran 7.
Tabel 3.15. Hasil Normalisasi Citra
mdb004.png
No Nama File
mdb004.png
1 Energi
-0,5372 2
Kontras -0,2150
3 Korelasi
-0,4863 4
Sum of squares 0,6020
5 Inverse difference moment
0,2002 6
Sum average 0,7233
7 Sum variance
0,4228 8
Sum entropy 0,4145
9 Entropi
0,4128 10
Difference variance -0,2150
11 Difference entropy
-0,2572 12
Probabilitas maksimum -0,4573
13 Homogenitas
0,3383 14
Dissimilarity -0,2500
84
6. Pembelajaran Radial Basis Function Neural Network
Data training hasil normalisasi kemudian digunakan dalam proses clustering. Proses clustering yang digunakan adalah metode K-Means
clustering dan Fuzzy C-Means clustering yang akan dibandingkan hasil klasifikasinya pada akhir proses RBFNN. Proses K-Means clustering
dilakukan dengan aplikasi MINITAB sehingga didapatkan pusat masing- masing cluster dan jarak yang digunakan dalam proses RBFNN sedangkan
dalam Fuzzy C-Means clustering pusat masing-masing cluster didapatkan dengan MATLAB R2013a dan jaraknya didapatkan dengan Persamaan 2.23.
Tabel 3.16 merupakan hasil jarak dan pusat clustering masing-masing metode.
Tabel 3.16. Hasil Jarak dan Pusat Cluster
Pusat Cluster K-Means cluster
Jarak Pusat Cluster
Fuzzy C-Means cluster
Jarak
Cluster 1 0,0023
0,0317 1,83
-0,8775 0,6771
11,43 Cluster 2
-1,2647 -0,5881 2,08
-0,1964 1,2027
10,01 Cluster 3
2,1281 -2,1325
-0,7740 -0,0730 10,73
Cluster 4 -0,8796 -0,0029
2,58 1,9831
-1,5884 13,20
Cluster 5 -0,4268
1,2849 2,28
0,3914 -0,3279
8,75 Cluster 6
-0,2858 1,6087
3,37 0,4186
-0,4862 8,94
Cluster 7 0,3076
-0,5824 3,15
-0,9842 1,1444
12,37 Cluster 8
-1,1144 1,0729
2,88 -0,2823 -0,2353
8,85
85
Pusat Cluster K-Means cluster
Jarak Pusat Cluster
Fuzzy C-Means cluster
Jarak
Cluster 9 -0,445
0,1719 3,16
-0,3150 0,3963
9,59 Cluster 10
0,4407 -0,8225
2,08 1,0808
-1,3947 11,50
Cluster 11 1,8145
-1,2535 3,50
-0,1762 0,0665
8,55
Hasil jarak dan pusat cluster secara lengkap terlampir pada Lampiran 11 untuk metode K-Means clustering dan Lampiran 12 untuk metode Fuzzy C-Means
clustering. Setelah masing-masing pusat cluster dan jaraknya didapatkan,
selanjutnya dilakukan proses RBFNN dengan menggunakan program rbfDesign dan globalRidge. Proses RBFNN ini dilakukan dengan MATLAB
R2013a.
7. Menentukan Jaringan Optimum