65 Kohonen clustering. Penentuan jumlah neuron pada lapisan tersembunyi secara
trial and error. Pada tahap keempat pembelajaran SOM-RBFNN adalah menentukan bobot-
bobot yang menghubungkan neuron pada lapisan tersembunyi menuju lapisan output. SOM-RBFNN akan melakukan pembelajaran terawasi supervised
learning untuk memperoleh bobot optimal. Metode global ridge regression merupakan metode pembelajaran terawasi yang digunakan untuk menentukan
bobot.
7. Menentukan Jaringan Optimum
Proses selanjutnya adalah mengoptimalkan jaringan dan mengoptimalkan bobot-bobot pada jaringan. Untuk memperoleh jaringan yang optimum, dilakukan
dengan menentukan banyak neuron pada lapisan tersembunyi secara trial and error. Jaringan optimum ditunjukkan dengan tingkat keakuratan model SOM-RBFNN
terbaik dalam mengklasifikasi citra paru. Script M-file pemrograman Matlab R2013a untuk model SOM-RBFNN terdapat pada lampiran 9 halaman 122.
Hasil akurasi dengan metode SOM Kohonen clustering adalah sebagai berikut.
66
Tabel 3.4 Persentase Akurasi Data Training dan Data Testing
Cluster Self-Organizing Maps cluster
Akurasi Training
Akurasi Testing
2 85
72 3
90 72
4 88
88 5
93 88
6 91
76 7
92 80
8 93
72 9
92 80
10 92
76 Keterangan: Model Terbaik
Pada tabel 3.4 yang merupakan hasil persentase akurasi model SOM-RBFNN metode global ridge regression, terlihat bahwa persentase akurasi model tertinggi
terdapat pada cluster 5 yaitu 93 untuk data training dan 88 untuk data testing. Berdasarkan tabel 3.4 menunjukkan bahwa persentase akurasi data training dan
data testing semakin menurun apabila jumlah cluster ditingkatkan. Pada model SOM-RBFNN metode global ridge regression nilai persentase
akurasi data training dan data testing terbaik diperoleh dengan cluster sebanyak 5, sehingga jaringan dengan jumlah neuron pada lapisan tersembunyi sebanyak 5
menghasilkan jaringan yang optimum. Dengan demikian model SOM-RBFNN terbaik untuk klasifikasi citra paru
mempunyai arsitektur 13 neuron pada lapisan input, 5 neuron pada lapisan tersembunyi, dan 1 neuron pada lapisan output.
67 Fungsi aktivasi yang digunakan pada lapisan tersembunyi adalah fungsi
aktivasi gaussian dan fungsi yang digunakan pada lapisan output adalah fungsi linear atau identitas.
Arsitektur SOM-RBFNN jaringan terbaik yang digunakan untuk klasifikasi citra paru dengan 13 neuron pada lapisan input yaitu
� sampai � , � sampai � untuk 5 neuron pada lapisan tersembunyi, dan untuk neuron output dapat dilihat
pada gambar 3.4 berikut:
Gambar 3.4 Arsitektur SOM-RBFNN untuk Klasifikasi Citra Paru dengan 5
Cluster �
,
Nilai input 2
Nilai input 13
Nilai input 1
bias �
� �
1
Lapisan input
Lapisan output
Lapisan tersembunyi
�
,
�
,
�
,
�
,
�
,
�
,
�
,
�
,
SOM Kohonen clustering
Global Ridge Regression
RBFNN
68 Selanjutnya, menentukan bobot yang dihasilkan dari metode global ridge
regression serta fungsi aktivasi pada lapisan output yaitu fungsi identitas. Berdasarkan persamaan 3.5, perhitungan model SOM-RBFNN adalah sebagai
berikut, = ∑
� +
=
dan berdasarkan persamaan 3.6 fungsi aktivasi Gaussian adalah sebagai berikut,
� = � � [−
− �
�
− �
�
� ]
dengan = , , … , .
Jarak maksimum berdasarkan tabel 3.3 diperoleh sebagai berikut, � = ,
, � = , , � = ,
, � = , , � = ,
. Nilai pusat cluster 1 berdasarkan tabel 3.3 diperoleh sebagai berikut:
[� ] = [� � � � � � � � � � �
� �
] [� ] = [ ,
, − ,
− , ,
− , − ,
− , ,
− , ,
− , ,
] untuk nilai pusat selengkapnya dari ke-5 cluster terdapat pada tabel 3.3.
Bobot jaringan dan bias hasil pembelajaran metode algoritma model SOM-RBFNN terdapat pada tabel 3.5 dan tabel 3.6.
69
Tabel 3.5 Hasil Bobot Jaringan Model SOM-RBFNN Bobot Jaringan
� �
� �
� 79,72584 41,12944 -44,39629
-14,42401 -60,01845
Tabel 3.6 Hasil Bobot Bias Model SOM-RBFNN Bobot Bias
� -0,70892
Contoh perhitungan fungsi aktivasi gaussian untuk data ke-1 JPCLN001.jpg : Hasil fungsi aktivasi neuron 1 pada lapisan tersembunyi:
� = � � [− − �
− � �
]
� = � �
[ − ,
[ − ,
− , ,
, − ,
, ,
, − ,
, − ,
− , − ,
] −
[ ,
, − ,
− , ,
− , − ,
− , ,
− , ,
− , ,
] [
− , − ,
, ,
− , ,
, ,
− , ,
− , − ,
− , ]
−
[ ,
, − ,
− , ,
− , − ,
− , ,
− , ,
− , ,
] ]
= ,
70 Hasil fungsi aktivasi neuron 2 pada lapisan tersembunyi:
� = � � [− − �
− � �
]
� = � �
[ − ,
[ − ,
− , ,
, − ,
, ,
, − ,
, − ,
− , − ,
] −
[ ,
, − ,
− , ,
− , − ,
− , ,
− , ,
− , ,
] [
− , − ,
, ,
− , ,
, ,
− , ,
− , − ,
− , ]
−
[ [
, ,
− , − ,
, − ,
− , − ,
, − ,
, − ,
, ]
] ]
= , Hasil fungsi aktivasi neuron 3 pada lapisan tersembunyi:
� = � � [− − �
− � �
]
� = � �
[ − ,
[ − ,
− , ,
, − ,
, ,
, − ,
, − ,
− , − ,
] −
[ − ,
− , ,
, − ,
, ,
, − ,
, − ,
, − ,
] [
− , − ,
, ,
− , ,
, ,
− , ,
− , − ,
− , ]
−
[ − ,
− , ,
, − ,
, ,
, − ,
, − ,
, − ,
] ]
= ,
71 Hasil fungsi aktivasi neuron 4 pada lapisan tersembunyi:
� = � � [− − �
− � �
]
� = � �
[ − ,
[ − ,
− , ,
, − ,
, ,
, − ,
, − ,
− , − ,
] −
[ ,
− , ,
− , − ,
, − ,
, − ,
, ,
, ,
] [
− , − ,
, ,
− , ,
, ,
− , ,
− , − ,
− , ]
−
[ ,
− , ,
− , − ,
, − ,
, − ,
, ,
, ,
] ]
= , Hasil fungsi aktivasi neuron 5 pada lapisan tersembunyi:
� = � � [− − �
− � �
]
� = � �
[ − ,
[ − ,
− , ,
, − ,
, ,
, − ,
, − ,
− , − ,
] −
[ − ,
, ,
, − ,
, ,
, − ,
, − ,
, − ,
] [
− , − ,
, ,
− , ,
, ,
− , ,
− , − ,
− , ]
−
[ − ,
, ,
, − ,
, ,
, − ,
, − ,
, − ,
] ]
= ,
72 Hasil perhitungan fungsi aktivasi gaussian pada lapisan tersembunyi
selengkapnya terdapat pada lampiran 1011 halaman 125128. Selanjutnya, melakukan perhitungan output hasil klasifikasi citra paru dengan fungsi aktivasi
linear atau identitas. Berikut ini perhitungan output untuk JPCLN001.jpg : = [
, x ,
+ ,
x , + − ,
x , + − ,
x , + − ,
x , + − ,
x ] = ,
. Diperoleh nilai output
= , , nilai output
berada pada selang ,
sehingga nilai output dibulatkan menuju 1, artinya hasil klasifikasi untuk
citra JPCLN001.jpg adalah berstatus kanker. Untuk hasil output model SOM- SOM-RBFNN selengkapnya terlampir pada lampiran 12 halaman 129.
D. Ketepatan Hasil Klasifikasi