34
BAB III PEMBAHASAN
A.
Fuzzy Neural Network
untuk Klasifikasi 1.
Arsitektur dan Model
Fuzzy Neural Network
Pada tahun 1992, Pal dan Mitra memperkenalkan klasifikasi
fuzzy
ke dalam algoritma
backpropagation
yang disebut
Fuzzy Neural Network
FNN. Pada FNN, parameter-parameter yang dimiliki
Artificial Neural Network
ANN yang biasanya disajikan secara
crisp
, dapat diganti dengan parameter-parameter
fuzzy
Lin Lee, 1996: 609. Target pembelajaran pada ANN berupa nilai
crisp
, tetapi pada FNN target pembelajaran
crisp
diubah menjadi target
fuzzy
melalui fuzzifikasi.
Pada FNN, unsur utama pada ANN menggunakan pendekatan logika
fuzzy
untuk mengantisipasi adanya ketidakpastian yang terjadi pada unsur tersebut. Model FNN sering digunakan untuk sistem kendali, dan penyelesaian masalah
prediksi yang bersifat runtun waktu. Pada tahun 1993, Lee mengembangkan model tersebut untuk melakukan klasifikasi pola. Algoritma pembelajaran yang
digunakan pada FNN adalah algoritma pembelajaran
backpropagation
. Arsitektur jaringan yang sering digunakan algoritma
backpropagation
adalah jaringan
feedforward
. Jaringan
feedforward
mempunyai 3 lapisan, yaitu lapisan
input
, lapisan tersembunyi, dan lapisan
output
. Fungsi aktivasi yang dapat digunakan pada lapisan tersembunyi adalah
linear
,
sigmoid biner
dan
sigmoid bipolar
. Fungsi aktivasi pada lapisan
output
harus menggunakan
sigmoid biner
karena
35 output
dari FNN adalah derajat keanggotaan yang memiliki nilai 0 sampai 1 dan fungsi aktivasi
sigmoid biner
memiliki nilai
output
0 sampai 1. Arsitektur jaringan
feedforwa rd
FNN ditunjukkan pada Gambar 3.1.
Lapisan
Input
Lapisan Tersembunyi Lapisan
Output
Gambar 3.1 Arsitektur
Fuzzy Neural Network
Pada Gambar 3.1, �
1
, �
2
, … , � adalah neuron pada lapisan
input
,
1
,
2
, … ,
�
adalah neuron pada lapisan tersembunyi, dan
1
,
2
, … ,
adalah neuron pada lapisan
output
berupa derajat keanggotaan. Bobot antara lapisan
input
dan lapisan tersembunyi disimbolkan dengan . Bobot antara lapisan
11 12
1 21
22 2
31 32
3
�2 �1
� 02
01 �
03 02
01 �
3 2
1 2
� 23
22 21
1 �
13 12
11
�
1
2
3
� 1
2
�
1
�
2
�
�
36
tersembunyi dan lapisan
output
disimbolkan . Bobot bias pada lapisan
tersembunyi disimbolkan dan bobot bias pada lapisan
output
disimbolkan .
Model FNN menggunakan fungsi aktivasi
sigmoid biner
Persamaan 2.23, secara matematis dapat dirumuskan sebagai berikut:
=
1 1+
�� − .
1 1+
�� − 0 + �
=1
+
� =1
3.1
dengan adalah
output
kelas ke-k berupa derajat keanggotaan. � adalah
input
variabel ke-i. adalah bobot dari neuron ke-i pada lapisan
input
menuju neuron ke-j pada lapisan tersembunyi.
adalah bobot bias pada neuron ke-j pada lapisan tersembunyi. adalah bobot dari neuron ke-j pada lapisan tersembunyi menuju neuron
ke-k pada lapisan
output
. adalah bobot bias pada neuron ke-k pada lapisan
output
.
2. Prosedur Pemodelan
Fuzzy Neural Network
a. Ektraksi Citra
Ektraksi citra adalah suatu teknik pengambilan parameter statistik dari sebuah citra. Proses ekstraksi citra dapat dilakukan dengan
Gray Level Coocurrence Matrix
GLCM. Fungsi bawaan pada MATLAB dapat digunakan untuk menganalisa
entropy
, kontras, korelasi, energi, dan
37
homogenitas. Perintah untuk memperoleh parameter-parameter statistik tersebut adalah sebagai berikut:
g=imreadD:gambar1B.jpg; {digunakan untuk membaca gambar} h=entropyg
glcm=graycomatrixg; stats=graycopropsglcm,all
sehingga diperoleh hasil
output
sebagai berikut:
Entropy
=7,4263
Contrast
=0,0476
Correlation
=0,9940
Energy
= 0,1507
Homogeneity
=0,9812 Namun GLCM dapat memberikan banyak parameter statistik seperti
Autocorrelation, Contrast, Correlation, Cluster Prominence, Cluster Shade,
Dissimilarity, Energy,
Entropy, Homogeneity,
Maximum probability, Sum of squares, Sum a verage, Sum variance, Sum entropy,
Difference variance, Difference entropy
,
Information measure of correlation
and
Inverse difference normalized
Sharma Mukherjee, 2014: 18.
b. Menentukan Variabel
Input
dan Variabel
Output
Variabel
input
model FNN adalah parameter-parameter statistik dari hasil ektraksi citra. Banyaknya variabel
input
menentukan banyaknya