64 � =
− �′ _
3.47
Menghitung perubahan bobot ∆ = �� �
3.48
Menghitung perubahan bobot ∆
= ��
3.49
dan mengirimkan � ke neuron pada lapisan tersembunyi.
Memperbaharui Bobot dan Bias: Langkah 6
: setiap neuron output , = , , , . . . , memperbaharui bobot
dan biasnya = , , ,. . . , , = , , , , … ,
= + ∆
3.50 Langkah 7
: Kondisi pembelajaran berhenti.
B. Prosedur Pembentukan Model Fuzzy Radial Basis Neural Network FRBFNN dengan Preprocessing Citra untuk Deteksi Dini Kanker Paru
Berikut ini adalah prosedur pemodelan Fuzzy Radial Basis Function Neural Network FRBFNN untuk deteksi dini kanker paru:
1. Preprocessing Citra
Preprocessing citra merupakan proses pengolahan citra yang bertujuan untuk memperbaiki kualitas citra dengan menghilangkan noise, memperhalus citra,
mempertajam citra, pemotongan citra, resize, menghilangkan background citra dan mengubah citra berwarna menjadi citra grayscale ataupun citra biner. Pada tugas
akhir ini, preprocessing yang dilakukan adalah pemotongan citra, kemudian mengubah citra ke bentuk citra grayscale selanjutnya melakukan operasi
65 transformasi pada citra dengan menggunakan filter high frequency emphasis dan
pada tahap akhir preprocessing citra dilakukan histogram equalization. Proses preprocessing citra ini dilakukan dengan bantuan software Photoshop CS6 dan
program Matlab R2013a.
2. Ekstraksi Fitur pada Citra
Setelah melakukan preprocessing citra langkah selanjutnya yaitu melakukan ekstraksi fitur. Ekstraksi fitur merupakan satu karakteristik terpenting yang dapat
digunakan untuk mengidentifikasi objek atau daerah suatu citra yang diamati. Gray Level Co-occurrence Matrix GLCM adalah salah satu metode untuk
mengekstraksi second-order statistical. Terdapat 5 fitur yang digunakan pada tugas akhir ini yaitu energy
, contrast , correlation
, inverse difference moment
, entropy . Proses ekstraksi fitur ini dilakukan dengan
menggunakan bantuan program Matlab R2013a.
3. Pembagian Data
Pembagian data input pada jaringan saraf tiruan dibagi menjadi 2, yaitu data training dan data testing. Data training digunakan untuk melatih jaringan dalam
mengenali informasi yang diberikan. Sedangkan, data testing merupakan data yang akan digunakan untuk menguji tingkat keakuratan model jaringan dalam mengolah
informasi yang telah diberikan. Terdapat beberapa komposisi data training dan data testing yang digunakan dalam jaringan saraf tiruan Hota, Shrivas, Singhai, 2013:
165: a. 60 keseluruhan data sebagai data training dan 40 keseluruhan data sebagai
data testing,
66 b. 75 keseluruhan data sebagai data training dan 25 keseluruhan data sebagai
data testing, c. 80 keseluruhan data sebagai data training dan 20 keseluruhan data sebagai
data testing.
4. Menentukan Variabel Input dan Variabel Output