72
Pada tugas akhir ini, Kriteria pemilihan model digunakan yaitu kriteria Generalised Cross-Validation GCV untuk menghitung prediksi
error.
B. Prosedur Pemodelan Radial Basis Function Neural Network RBFNN
untuk Klasifikasi Stadium Kanker Payudara
Langkah-langkah dalam
proses pemodelan
RBFNN meliputi
preprocessing citra, ekstraksi citra, pendifinisian variabel input dan target, pembagian input, normalisasi data, dan algoritma pembelajaran.
1. Preprocessing Citra
Preprocessing citra adalah proses pengolahan citra sebelum ekstraksi citra dilakukan. Preprocessing bertujuan untuk menghilangkan noise, memperjelas
fitur, memperkecil atau memperbesar ukuran data, dan mengkonversi data asli agar diperoleh data sesuai kebutuhan. Preprocessing citra dapat berupa
mengubah citra RGB menjadi grayscale, binerisasi citra, cropping citra, resize citra, atau penghilangan background citra.
2. Ekstraksi Citra
Setelah melakukan pemotongan citra dan penghilangan background, langkah selanjutnya adalah melakukan ekstraksi citra. Proses ekstraksi merupakan salah
satu karakteristik penting yang digunakan dalam mengidentifikasi objek atau pola citra, karena metode ekstraksi citra yang tepat akan mampu memberikan
informasi yang detail tentang kelas suatu citra. Proses ekstraksi citra dapat dilakukan dengan Gray Level Coocurrence Matrix GLCM.
73
3. Pendefinisian Variabel Input dan Target
Pemodelan RBFNN diawali dengan menentukan variabel input dan target yang akan digunakan sebagai input dan target jaringan. Variabel input berasal dari
fitur-fitur hasil ekstraksi citra, sedangkan target jaringan berupa klasifikasi atau diagnosa kondisi dari masing-masing citra. Variabel output adalah target
jaringan yang diperoleh dari proses pembelajaran RBFNN. Banyaknya variabel input akan menentukan banyaknya neuron pada lapisan input dan banyaknya
variabel output akan menentukan banyaknya neuron pada lapisan output.
4. Pembagian Data Input
Data input dibagi menjadi dua, yaitu data pembelajaran training dan data pengujian testing. Data training digunakan untuk membangun sebuah model
dan mendapatkan bobot yang sesuai. Sedangkan data testing digunakan untuk mengetahui tingkat keakuratan hasil dengan nilai sebenarnya. Terdapat
beberapa perbandingan dalam pembagian data menjadi data training maupun testing yang sering digunakan, antara lain Deb Rajib et al, 2015:
a. 60 untuk data training dan 40 untuk data testing.
b. 75 untuk data training dan 25 untuk data testing.
c. 80 untuk data training dan 20 untuk data testing.
Pada tugas akhir ini, menggunakan pembagian data 80 untuk data training dan 20 untuk data testing.
5. Normalisasi Data
