78 digunakan adalah diagnosa masing-masing citra radiography yaitu normal dan
kanker, sehingga target dan output jaringan yaitu 1 untuk diagnosa citra radiography normal, dan 2 untuk diagnosa citra radiography kanker. Variabel
output menggunakan satu variabel yang dibagi menjadi 2 selang untuk penentuan hasil diagnosa dengan kriteria pengelompokkan sebagai berikut,
a. Jika output bernilai
, maka dianggap 1, sehingga hasil diagnosa
normal. b. Jika output
bernilai ,
maka dianggap 2, sehingga hasil diagnosa kanker.
5. Pembelajaran FRBFNN
Pada tahap awal pembelajaran FRBFNN adalah melakukan proses fuzzifikasi pada masing-masing input fitur. Fuzzifikasi input fitur menggunakan fungsi
keanggotaan trapesium. Sebelum melakukan fuzzifikasi dari 5 input fitur, terlebih dahulu mengidentifikasi himpunan semesta
tiap-tiap input fitur. Selanjutnya, menentukan parameter-parameter pada masing-masing himpunan fuzzy. Hasil
fuzzifikasi input fitur berupa derajat keanggotaan dari masing-masing himpunan fuzzy. Hasil selengkapnya untuk derajat keanggotaan masing-masing himpunan
fuzzy terdapat pada Lampiran 6 halaman 130 dan Lampiran 7 halaman134. Berikut ini adalah himpunan semesta
dan himpunan fuzzy dari 5 input fitur. a. Energy
Himpunan semesta untuk input fitur energy adalah nilai minimum dan
nilai maksimum dari fitur energy yaitu ,
dan ,
maka himpunan semesta untuk fitur energy
adalah = [ ,
, ]. Input fitur
79 energy
didefinisikan menjadi 3 himpunan fuzzy yaitu ,
, dan . Berikut
ini 3 himpunan fuzzy untuk input fitur energy ,
= {
; ,
, − ,
, − ,
; , ,
; , ,
, −
, − ,
; , ,
= {
; ,
, − ,
, − ,
; , ,
; , ,
, −
, − ,
; , ,
= {
; ,
, − ,
, − ,
; , ,
; , ,
, −
, − ,
; , ,
Nilai fitur energy berdasarkan hasil ekstraksi untuk citra N1.jpg adalah
= , . Maka, perhitungan derajat keanggotaan pada masing-masing
himpunan fuzzy untuk fitur energy adalah sebagai berikut, ,
= ; ,
=
, − ,
, − , 99
= , ;
, =
. − , 99
, − , 99
= , ;
b. Contrast Himpunan semesta untuk input fitur contrast
adalah nilai minimum dan nilai maksimum dari fitur contrast yaitu
, dan
, maka himpunan
80 semesta untuk fitur contrast
adalah = [ ,
, ]. Input fitur
contrast didefinisikan menjadi 3 himpunan fuzzy yaitu
, , dan
. Berikut ini 3 himpunan fuzzy untuk input fitur contrast
,
= {
; ,
, − ,
, − ,
; , ,
; , ,
, −
, − ,
; , ,
= {
; ,
, − ,
, − ,
; , ,
; , ,
, −
, − ,
; , ,
= {
; ,
, − ,
, − ,
; , ,
; , ,
, −
, − ,
; , ,
Nilai fitur contrast berdasarkan hasil ekstraksi untuk citra N1.jpg
adalah = ,
. Maka, perhitungan derajat keanggotaan pada masing- masing himpunan fuzzy untuk fitur contrast adalah sebagai berikut,
, =
, − ,
, − ,
= , ;
, =
, − ,
, − ,
= , ;
, = ;
81 c. Correlation
Himpunan semesta untuk input fitur correlation adalah nilai minimum
dan nilai maksimum dari fitur correlation yaitu ,
dan ,
maka himpunan semesta untuk fitur contrast
adalah = [ ,
, ].
Input fitur correlation didefinisikan menjadi 3 himpunan fuzzy yaitu
, ,
dan . Berikut ini 3 himpunan fuzzy untuk input fitur correlation
,
= {
; ,
, − ,
, − ,
; , ,
; , ,
, −
, − ,
; , ,
= {
; ,
, − ,
, − ,
; , ,
; , ,
, −
, − ,
; , ,
= {
; ,
, − ,
, − ,
; , ,
; , ,
, −
, − ,
; , ,
Nilai fitur correlation berdasarkan hasil ekstraksi untuk citra N1.jpg
adalah = ,
. Maka, perhitungan derajat keanggotaan pada masing- masing himpunan fuzzy untuk fitur correlation adalah sebagai berikut,
, = ;
, =
, − ,
, − ,
= , ;
82 ,
= ,
− , ,
− , = ,
; d. Inverse Difference Moment
Himpunan semesta untuk input fitur inverse difference moment adalah
nilai minimum dan nilai maksimum dari fitur inverse difference moment yaitu ,
dan ,
maka himpunan semesta untuk fitur contrast adalah
= [ , ,
]. Input fitur inverse difference moment didefinisikan menjadi 3 himpunan fuzzy yaitu
, , dan
. Berikut ini 3 himpunan fuzzy untuk input fitur inverse difference moment
,
= {
; ,
, − ,
, − ,
; , ,
; , ,
, −
, − ,
; , ,
= {
; ,
, − ,
, − ,
; , ,
; , ,
, −
, − ,
; , ,
= {
; ,
, − ,
, − ,
; , ,
; , ,
, −
, − ,
; , ,
Nilai fitur inverse difference moment berdasarkan hasil ekstraksi untuk
citra N1.jpg adalah = ,
. Maka, perhitungan derajat keanggotaan pada masing-masing himpunan fuzzy untuk fitur inverse difference moment adalah
sebagai berikut,
83 ,
= ; ,
= ,
− , ,
− , = ,
;
, =
, − ,
, − ,
= , ;
e. Entropy Himpunan semesta untuk input fitur entropy
adalah nilai minimum dan nilai maksimum dari fitur entropy yaitu 2
, dan
, maka himpunan
semesta untuk fitur entropy adalah
= [ , ,
]. Input fitur entropy
didefinisikan menjadi 3 himpunan fuzzy yaitu ,
, dan . Berikut
ini 3 himpunan fuzzy untuk input fitur entropy ,
= {
; ,
, − ,
, − ,
; , ,
; , ,
, −
, − ,
; , ,
= {
; ,
, − ,
, − ,
; , ,
; , ,
, −
, − ,
; , ,
= {
; ,
, − ,
, − ,
; , ,
; , ,
, −
, − ,
; , ,
84 Nilai fitur entropy
berdasarkan hasil ekstraksi untuk citra N1.jpg adalah
= , . Maka, perhitungan derajat keanggotaan pada masing-
masing himpunan fuzzy untuk fitur contrast adalah sebagai berikut, ,
= ,
− , ,
− , = ,
;
, =
, − ,
, − ,
= , ;
, = ;
Pada tahap kedua pembelajaran FRBFNN adalah proses pembelajaran tak terawasi unsupervised learning. Proses pembelajaran tak terawasi pada model
FRBFNN menggunakan metode K-Means Clustering. Setelah melakukan proses clustering akan diperoleh nilai pusat dan jarak maksimum dari masing-masing
cluster. Nilai pusat dan jarak maksimum digunakan dalam perhitungan fungsi aktivasi pada lapisan tersembunyi. Nilai pusat dan jarak maksimum dari hasil
proses K-Means Clustering terdapat pada Lampiran 8 halaman 135. Proses K- Means Clustering dilakukan dengan bantuan software Minitab.
Selanjutnya, pada tahap ketiga pembelajaran FRBFNN adalah menentukan jumlah neuron pada lapisan tersembunyi. Jumlah neuron pada lapisan tersembunyi
sama dengan jumlah cluster yang digunakan pada metode K-Means Clustering. Penentuan jumlah neuron pada lapisan tersembunyi secara trial and error.
Pada tahap keempat pembelajaran FRBFNN adalah menentukan bobot-bobot yang menghubungkan neuron pada lapisan tersembunyi menuju lapisan output.
FRBFNN akan melakukan pembelajaran terawasi supervised learning untuk memperoleh bobot optimal. Metode global ridge regression dan algoritma
85 backpropagation merupakan dua metode pembelajaran terawasi yang digunakan
untuk menentukan bobot. Dari 2 metode pembelajaran terawasi yang digunakan akan dibandingkan dan hasil yang terbaik akan digunakan untuk menentukan
bobot-bobot pada model FRBFNN.
6. Menentukan Jaringan Optimum
