51
BAB III PEMBAHASAN
Bab III merupakan pembahasan yang meliputi proses penelitian yaitu arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk
klasifikasi stadium kanker payudara, serta hasil dan ketepatan hasil klasifikasinya.
A. Arsitektur dan Model Radial Basis Function Neural Network RBFNN
untuk Klasifikasi Stadium Kanker Payudara
Radial Basis Function Neural Network RBFNN adalah jaringan feed- forward dengan tiga lapisan, sebuah lapisan input dengan i neuron, sebuah lapisan
tersembunyi dengan j neuron, dan lapisan output dengan satu atau beberapa neuron Qasem et al, 2013. Kinerja RBFNN tergantung pada pilihan yang tepat
tiga parameter penting pusat cluster, jarak dan bobot. Nilai parameter ini umumnya diketahui dan dapat ditemukan selama proses pembelajaran jaringan
Pislaru Shebani, 2014.
1. Arsitektur Radial Basis Function Neural Network
Dalam RBFNN, variabel input masing-masing ditetapkan pada neuron dalam lapisan input dan masuk secara langsung ke lapisan tersembunyi tanpa
bobot Balasubramanie et al, 2009. Hal inilah yang membedakan RBFNN dengan model neural network yang lain. Pada lapisan tersembunyi RBFNN
dilakukan transformasi nonlinear terhadap data dari lapisan input menggunakan fungsi basis radial sebelum diproses secara linear pada lapisan
output Wei et al, 2011:65. Arsitektur Radial Basis Function Neural Network ditunjukkan pada Gambar 3.1.
52
Gambar 3.1 Arsitektur Radial Basis Function
Pada Gambar 3.1, merupakan neuron pada lapisan
input, merupakan neuron pada lapisan tersembunyi, dan
merupakan neuron pada lapisan output. Bobot antara lapisan tersembunyi dan lapisan output disimbolkan dengan
. Dalam arsitektur RBFNN juga ditambahkan sebuah neuron bias pada lapisan
tersembunyi. Bias tersebut berfungsi untuk membantu neural network dalam mengolah informasi dengan lebih baik.
Lapisan input
Lapisan tersembunyi
Lapisan output
53
2. Model Radial Basis Function Neural Network
Pada RBFNN, lapisan tersembunyi menghitung jarak antara pusat cluster dan vektor input, kemudian dengan fungsi aktivasi
menuju lapisan output Pislaru Shebani, 2014. Beberapa fungsi aktivasi dalam RBFNN
adalah sebagai berikut Andrew, 2002:63 : a.
Fungsi Gaussian 3.1
b. Fungsi Multikuadratik
√ 3.2
c. Fungsi Invers Multikuadratik
√
3.3
d. Fungsi Cauchy
3.4
dengan, jarak pada neuron tersembunyi
nilai input variabel nilai pusat pada neuron tersembunyi
fungsi aktivasi neuron tersembunyi
54
Output yang dihasilkan dari model RBFNN merupakan kombinasi
linear dari bobot dengan fungsi aktivasi
dan bobot bias . Vektor
output dirumuskan sebagai berikut Ali Dale, 2003:
∑ 3.5
dengan, ∑
dimana, banyak neuron tersembunyi
bobot dari neuron lapisan tersembunyi ke-j menuju neuron output ke-s bobot bias menuju neuron output ke-s
fungsi aktivasi neuron tersembunyi ke – j merupakan vektor input
3. Algoritma Pembelajaran Radial Basis Function Neural Network