39
BAB III PEMBAHASAN
Bab III merupakan pembahasan yang meliputi proses penyusunan tugas akhir yaitu arsitektur dan model SOM-RBFNN, prosedur pemodelan SOM-RBFNN,
hasil model SOM-RBFNN untuk klasifikasi citra paru, dan ketepatan hasil klasifikasi.
A. Arsitektur dan Model SOM-RBFNN untuk Klasifikasi Citra Paru
SOM-RBFNN adalah jaringan feed-forward dengan tiga lapisan, sebuah lapisan input dengan
� neuron, sebuah lapisan tersembunyi dengan neuron,
dan lapisan output dengan satu neuron Qasem et al, 2013. Lapisan tersembunyi dalam SOM-RBFNN merupakan lapisan output pada SOM Kohonen clustering.
Model SOM-RBFNN melakukan pembelajaran jaringan secara hybrid dengan menggunakan pembelajaran tak terawasi unsupervised learning dan pembelajaran
terawasi supervised learning. Kinerja SOM-RBFNN tergantung pada pemilihan tiga parameter penting nilai pusat dari cluster, nilai jarak dan bobot. Nilai
parameter ini umumnya diketahui dan dapat ditemukan selama proses pembelajaran jaringan Pislaru Shebani, 2014.
1. Arsitektur SOM-RBFNN
Desain dari arsitektur SOM-RBFNN dapat dilihat seperti pada gambar 3.1. Pada desain arsitektur tersebut terdapat
� variabel pada lapisan input, � buah node pada lapisan tersembunyi dan 1 buah output. Dalam arsitektur SOM-RBFNN
juga ditambahkan sebuah neuron bias pada lapisan tersembunyi. Bias tersebut
40 berfungsi untuk membantu artificial neural network dalam mengolah informasi
dengan lebih baik.
Gambar 3.1 Arsitektur model SOM-RBFNN
Pada gambar 3.1,
�
, � = , , , … , � merupakan neuron pada lapisan input, � , = , , , … , � merupakan neuron pada lapisan tersembunyi, dan
merupakan neuron pada lapisan output. Bobot antara lapisan input dan lapisan tersembunyi disimbolkan dengan
�
��
sedangkan lapisan tersembunyi dan lapisan output disimbolkan dengan
. �
�
Nilai input 2
Nilai input n
Nilai input 1
bias
�
�
�
�
�
1
Lapisan input
Lapisan output
Lapisan tersembunyi
�
�
�
�
�
�
�
�
�
�
�
�
��
SOM Kohonen clustering
Global Ridge Regression
RBFNN
41
2. Model SOM-RBFNN
Pada SOM-RBFNN, metode SOM Kohonen clustering sebagai penentu pusat dan jarak dari setiap fungsi aktivasi pada lapisan tersembunyi, kemudian dengan
fungsi aktivasi �
dilanjutkan menuju lapisan output Pislaru Shebani, 2014. Fungsi aktivasi yang digunakan yaitu fungsi radial basis. Berikut ini
beberapa fungsi radial basis yang dapat digunakan sebagai fungsi aktivasi Orr, 1996: 40 :
a. Fungsi Gaussian
� = � � [
− −
]
3.1
b. Fungsi Multikuadratik
� = √ − � + �
3.2
c. Fungsi Invers Multikuadratik
� =
√ − +
3.3
d. Fungsi Cauchy
� =
[ − + ]
−
3.4
dengan � = nilai jarak variabel input ke pusat pada masing-masing cluster,
= nilai input fitur, � = nilai pusat variabel input pada masing-masing cluster,
� = fungsi aktivasi neuron tersembunyi.
42 Output
yang dihasilkan dari model SOM-RBFNN merupakan kombinasi linear dari bobot
dengan fungsi aktivasi �
dan bobot bias . Vektor
output dirumuskan sebagai berikut:
= ∑ �
+
� =
3.5
dan �
= � � [−
−�
� �
−�
�
]
3.6
dengan [ ]
= [ , , , … ,
�
, … ,
�
], [�
�
] =
[� , � , � , … , �
�
, … , �
�
],
= vektor nilai input fitur,
�
�
= vektor nilai pusat cluster ke- ,
= bobot neuron lapisan tersembunyi ke-k menuju neuron pada lapisan output,
= bobot bias pada lapisan tersembunyi menuju neuron pada lapisan output,
� = jarak maksimum pada cluster ke- ,
� =
, , … , �, =
, , … , �.
43
B. Prosedur Pemodelan SOM-RBFNN untuk Klasifikasi Citra Paru