57 ̂ = � � + �
−
� ̂ 3.40
̂ = � � + ��
�+ −
� ̂ 3.41
Persamaan 3.41 merupakan bentuk persamaan normal untuk bobot-bobot optimum yang diperoleh dari metode global ridge regression.
d. Menentukan jumlah fungsi aktivasi neuron pada lapisan tersembunyi
dilakukan dengan metode trial and error. Model SOM-RBFNN menggunakan kriteria pemilihan model untuk
memprediksi error. Model terbaik dipilih berdasarkan nilai prediksi error terkecil. Generalized Cross-Validation GCV merupakan salah satu kriteria pemilihan
model. GCV melibatkan semua penyesuaian rata-rata MSE Mean Square Error pada data training Orr, 1996: 20. Berikut ini rumus kriteria pemilihan model
dengan GCV. �̂
��
=
̂
�
� ̂ � �
3.42
dan � = � − � � �
−
�
3.43
� = matriks fungsi aktivasi,
= banyaknya input fitur citra, �
= matriks proyeksi,
̂ = vektor hasil variabel output.
7. Menentukan Jaringan Optimum
Jaringan optimum pada SOM-RBFNN diperoleh dengan metode trial and error. Metode ini dilakukan untuk membandingkan nilai akurasi tertinggi yang
diperoleh berdasarkan jumlah neuron pada lapisan tersembunyi. Jumlah neuron
58 pada lapisan tersembunyi didapatkan dari banyaknya cluster yang digunakan pada
metode SOM Kohonen clustering. Berdasarkan prosedur pengklasifikasian citra paru menggunakan model
SOM-RBFNN adalah preprocessing citra paru dengan cara melakukan cropping, resize, dan mengubah citra warna RGB pada citra paru. Selanjutnya, melakukan
ekstraksi fitur dengan menggunakan metode GLCM untuk memperoleh 13 parameter sebagai input yaitu contrast, correlation, energy, homogeneity, sum
entropy, sum of square variance, invers difference moment, sum average, sum variance, entropy, difference entropy, maximum probability, dan dissimilarity
entropy. Setelah itu, membagi data menjadi 2 bagian yaitu 80 dari keseluruhan data adalah data training dan 20 dari keseluruhan data adalah data testing.
Variabel input yang digunakan adalah 13 parameter hasil ekstraksi fitur dan variabel output adalah klasifikasi citra paru. Pada pembelajaran SOM-RBFNN
terbagi menjadi 3 tahap, yaitu menentukan pusat dan jarak fungsi aktivasi gaussian dengan menggunakan SOM Kohonen clustering, menentukan jumlah neuron pada
lapisan tersembunyi, dan menentukan bobot-bobot jaringan dengan menggunakan dua pendekatan yaitu metode Global Ridge Regression, maka diperoleh diagram
alir pada gambar 3.2 untuk prosedur pemodelan SOM-RBFNN dalam mengklasifikasi kanker paru sebagai berikut,
59
Gambar 3.2 Diagram Alir Pemodelan SOM-RBFNN
Menentukan Jaringan Optimum dengan Global Ridge Regression
Mulai Preprocessing
Citra Ekstraksi Fitur Citra
Pembagian input fitur citra Training Testing
Menentukan Variabel Input Output
Fungsi Aktivasi Gaussian
Jaringan Optimum
Model SOM-RBFNN Terbaik
Selesai tidak
ya Normalisasi input
SOM Kohonen clustering
Pembelajaran RBFNN
60
C. Hasil Model SOM-RBFNN untuk Klasifikasi Citra Paru