78 terlebih dahulu dengan membawa data ke bentuk normal baku mean = 0, standar
deviasi = 1. Berikut merupakan hasil normalisasi data WBCD dan data WDBC:
a. Wisconsin Breast Cancer Database WBCD
Normalisasi data training dan testing pada data WBCD dapat dilakukan dengan menggunakan Matlab R2013a. Hasil normalisasi data training secara
lengkap dapat dilihat pada Lampiran 9 halaman 171 dan untuk data testing dapat dilihat di Lampiran 7 halaman 186. Contoh hasil normalisasi data pada data
training WBCD yang pertama ditunjukkan pada Tabel 3.3 berikut.
Tabel 3. 3 Hasil Normalisasi Data pada Data Training WBCD yang
Pertama
No. Variabel
Hasil Normalisasi
1 Clump Thickness
− , ,
− , 2
Uniformity of Cell Size ,
− , − ,
3 Uniformity of Cell Shape
, − ,
− , 4
Marginal Adhesion ,
− , − ,
5 Single Epithelial Cell Size
, − ,
− , 6
Bare Nuclei ,
− , − ,
7 Bland Chromatin
, − ,
− ,
79
No. Variabel
Hasil Normalisasi
8 Normal Nucleoli
, − ,
− , 9
Mitoses ,
− , − ,
b. Wisconsin Diagnostic Breast Cancer WDBC
Normalisasi data training dan testing pada data WDBC dapat dilakukan dengan menggunakan Matlab R2013a. Hasil normalisasi data
training secara lengkap dapat dilihat pada Lampiran 11 halaman 190 dan untuk data testing dapat dilihat di Lampiran 12 halaman 205. Contoh hasil
normalisasi data pada data training WDBC yang pertama ditunjukkan pada Tabel 3.4 berikut:
Tabel 3. 4 Hasil Normalisasi Data pada Data Training WDBC yang
Pertama
No. Variabel
Hasil Normalisasi
1 Radius
, − ,
− , 2
Texture ,
− , − ,
3 Perimeter
, − ,
− , 4
Area ,
− , − ,
5 Smoothness
, − ,
80
No. Variabel
Hasil Normalisasi
6 Compactness
, − ,
− , 7
Concavity ,
− , − ,
8 Concave Points
, − ,
− , 9
Symmetry − ,
, − ,
10 Fractal Dimension
, − ,
− ,
Langkah pembelajaran FRBFNN yang terakhir yaitu clustering dimana pada langkah ini data training hasil normalisasi akan digunakan pada proses
clustering. Metode clustering yang digunakan pada tugas akhir ini untuk data WBCD dan WDBC adalah sama yaitu metode K-Means clustering. Proses K-
means clustering dilakukan dengan menggunakan aplikasi Minitab sehingga didapatkan pusat masing-masing cluster dan jarak yang digunakan untuk
perhitungan dalam proses pembelajaran FRBFNN selanjutnya. Penentuan banyaknya cluster berdasarkan trial and error dilihat dari hasil akurasi
pembelajaran FRBFNN. Setelah masing-masing pusat cluster dan jaraknya didapatkan, selanjutnya dilakukan proses penentuan bobot pada pembelajaran
FRBFNN dengan menggunakan program pada MATLAB R2013a, yaitu rbfDesign yang terlampir pada Lampiran 13 halaman 209 dan globalRidge yang
terlampir pada Lampiran 14 halaman 212.
81
4. Menentukan Jaringan Optimum
