PENGENALAN POLA BERBASIS JARINGAN SYARAF TIRUAN DALAM ANALISA CT SCAN TUMOR OTAK BELIGNA

Transkripsi

1 PENGENALAN POLA BERBASIS JARINGAN SYARAF TIRUAN DALAM ANALISA CT SCAN TUMOR OTAK BELIGNA Mke Susmkant Pusat Pengembangan Informatka Nuklr BATAN Kawasan PUSPIPTEK, Gd. 71, Serpong, Tangerang Emal : mke@batan.go.d ABSTRAKS Dalam pemahaman hasl analss CT Scan tumor otak mash sult mengdentfkas jens tumor otak. Klasfkas jens tumor otak dar seg klns dbedakan menjad prmary bran tumor dan metastatc bran tumor. Secara klns sukar membedakan antara tumor otak bengna maupun malgna, karena gejala yang tmbul dtentukan pula oleh lokas tumor, kecepatan tumbuhnya dan efek masa tumor ke jarngan otak. Gambaran CT Scan tumor otak bengna melput Menngoma, Adenoma Ptutar, Kranofarngoma, Plocytc Astrostoma dan Akustk Neurnoma. Dengan menggunakan Artfcal Neural Network (AAN) dharapkan dapat membantu para meds dbdangnya untuk mengdentfkas jens tumor otak. Telah dlakukan dentfkas pola berbass jarngan syaraf truan terhadap jens tumor melalu hasl pola ctra menggunakan CT Scan maupun MRI. Selanjutnya ctra dar hasl CT Scan ataupun MRI dkonvers kedalam bentuk dgtal standard menggunakan teknk pengolahan ctra. Hasl konvers dgtal, menggunakan PCA menghaslkan karakterstk domnan sehngga mewakl pola ctra tersebut. Karakterstk domnan n dgunakan pada jarngan syaraf truan, untuk tahap pembelajaran, pelathan dan pengujan atau smulas. Dalam dentfkas pola, pada tahap pembelajaran dengan pengawasan dgunakan metode perceptron. Jens tumor otak terhadap hasl CT Scan maupun MRI dklasfkaskan sesua dengan kode masukan. Sampel untuk keperluan pembelajaran, pelathan dan smulas menggunakan bass data hasl CT Scan ataupun MRI. Sstm perangkat lunak untuk pengenalan pola jens tumor otak dkembangkan menggunakan MATLAB. Dperoleh perangkat lunak yang dapat mengdentfkas pola jens tumor otak jnak. Kata kunc: Jarngan Syaraf Truan, Pengenalan Pola, Tumor Otak, CT Scan 1. PENDAHULUAN Dalam bdang meds mash terdapat mengdentfkas jens tumor otak melalu hasl analss CT (Computerzed Tomograf) Scan maupun MRI (Magnetc Resonance Imagng). Klasfkas tumor otak yang pentng dar seg klns dbedakan menjad prmary bran tumor dan metastatc bran tumor dapat pula dsebut tumor jnak ( bengna) dan tumor ganas (malgna). Secara klns sukar membedakan antara tumor otak yang jnak atau yang ganas, karena gejala yang tmbul dtentukan pula oleh lokas tumor, kecepatan tumbuhnya dan efek masa tumor ke jarngan otak. Gambaran CT Scan tumor otak jnak melput Menngoma,Adenoma Ptutar, Kranofarngoma, Plocytc Astrostoma dan Akustk Neurnoma. Dengan pemerksaan radolog dan patolog anatom hampr past dapat dbedakan tumor bengna dan malgna [5]. Sstem pengenalan pola berbass jarngan syaraf truan terhadap hasl CT Scan maupun MRI, dengan menggunakan teknk pengolahan ctra, dkonvers kedalam bentuk dgtal sehngga dapat dproses menggunakan Prncple Component Analyss (PCA) yang menghaslkan karakterstk palng domnan sehngga mewakl struktur pola ctra tersebut [1, 12]. Karakterstk domnan n dgunakan pada jarngan syaraf truan, untuk tahap pembelajaran, pelathan dan pengujan. Identfkas pola, pada tahap pembelajaran dengan pengawasan menggunakan metode perceptron, dkarenakan lebh sesua untuk dentfkas pola dkarenakan terdapat pemsahan secara lner dalam rancangan nput untuk dentfkas dan lebh cepat mencapa konvergentas dalam teras pelathan dan smulas dbandngkan metoda back propagaton [13]. Pada jarngan syaraf truan, jens tumor bengna dklasfkaskan sesua dengan kode masukan. Sampel ctra untuk keperluan pembelajaran jens tumor bengna, pelathan dan smulas menggunakan data hasl CT Scan dan data pustaka. Dperlukan rancangan nput sebaga pembelajaran untuk dentfkas pola jens tumor jnak. Jens tumor otak terhadap hasl CT Scan maupun MRI dklasfkaskan sesua dengan kode masukan. Sstm perangkat lunak untuk pengenalan pola jens tumor otak jnak dkembangkan menggunakan MATLAB. Dperoleh perangkat lunak yang dapat mengdentfkas pola jens tumor otak bengna.

2 2. METODOLOGI 2.1 Tumor Otak Klasfkas tumor otak yang pentng dar seg klns dbedakan menjad prmary bran tumor dan metastatc bran tumor dapat pula dsebut tumor bengna (jnak) dan tumor malgna (ganas). Tumor adalah pertumbuhan tdak normal dalam tubuh, terdr dar sel-sel ekstra. Umumnya sel lama mat, dan yang baru mengambl tempat pada sel lama. Kadang-kadang, proses n berlangsung tdak sesua sehngga sel-sel baru terbentuk dan sel-sel tua tdak mat. Tumor jnak hanya tumbuh d satu tempat, tdak dapat menyebar atau menyerang bagan tubuh lan. Meskpun demkan, bsa berbahaya jka menekan pada organ vtal, sepert otak [5]. Gambar 1(a) dan 1(b) menunjukkan hasl CT Scan otak normal dan tumor otak jnak jens Menngoma. Sedangkan pada Gambar 2(a) dan 2(b), menunjukkan hasl CT Scan tumor otak jnak jens Adenoma Ptutar dan Kranofarngoma. Gambar 3 (a) dan 3(b) menamplkan hasl CT Scan tumor otak jnak jens Plocytc Astrostoma dan Akustk Neurnoma. Gambar 1. Hasl CT Scan Tumor Otak (a) Normal (b) Menngoma 2.2 Sstm Pengenalan Pola Dalam sstem pengenalan pola jens tumor otak jnak, dgunakan alat CT Scan atau MRI untuk menganalss rncan bentuk tomograf yang dengan kasat mata tdak mampu damat. Pengenalan pola jens tumor otak jnak melput tahapan proses pengolahan ctra, analss komponen prnspal dan jarngan syaraf truan [1]. Dalam tahap pertama dengan proses pengolahan ctra dlakukan konvers dar fle hasl CT Scan kedalam bentuk fle data matrks dengan unsur tngkat keabuan [2]. Tahap kedua dengan analss komponen prnspal, dlakukan penentuan karakterstk pola, melalu perhtungan egen value dan egen vector terhadap matrks kovaran. Dalam hal n dambl enam nla karakterstk yang palng domnan dengan urutan nla peluang terbesar [3]. Tahap ketga, pada dentfkas pola mkrostruktur bahan dgunakan konsep jarngan syaraf truan dengan metode perceptron. Metoda perceptron dalam kasus n lebh sesua dbandngkan metode backpropagaton, walaupun metode perceptron lebh sederhana dalam perancangan nputnya, akan tetap lebh cepat mencapa nla konvergentas, bak dalam teras pembelajaran, pelathan maupun smulas [6]. Dalam tahapan pembelajaran dan pelathan dambl beberapa contoh hasl pengujan. Dperlukan rancangan nput sebaga pembelajaran dan pelathan untuk dentfkas pola. Pada Gambar 4, dberkan sstem dagram alur proses pengenalan pola [4]. Data CT Scan Proses Pengolahan Ctra Analss Komponen Prnspal Konvers ke Bentuk dgtal Nla karakterstk Domnan Gambar 2. Hasl CT Scan Tumor Otak (a) Adenoma Ptutar (b) Kranfarngoma Jarngan syaraf truan Identfkas Pola Hasl Identfkas Gambar 4. Sstem dagram alur untuk pengenalan pola Gambar 3. Hasl CT Scan Tumor Otak (a) Plocytc Astrostoma (b) Akustk Neurnoma 2.3 Proses Pengolahan Ctra Suatu pola mempunya tekstur khusus, dengan berbaga varas tngkat-keabuan atau warna yang dgambarkan dalam bentuk pksel-pksel. Matrks tngkat-keabuan mengandung nformas tentang gabungan poss pksel-pksel dar tekstur. Poss

3 pksel dnyatakan dengan nla jarak d. Nla gabungan tersebut sama sepert nla tngkat keabuan. Unsur-unsur pada matrks tngkat-keabuan dgunakan untuk melhat karakterstk tekstur []. Selan hal tersebut, arah dantara dua pksel juga perlu dperhatkan. Dasar analss untuk tekstur dalam bentuk ctra tngkat-keabuan mengunakan beberapa ukuran statstk rata-rata tngkat keabuan dan smpangan baku yang dnyatakan sebaga momen [10]. Rata-rata dhubungkan dengan momen pertama, smpangan baku tergantung pada momen kedua. Secara umum momen dnyatakan pada persamaan (1) berkut, M n ( x x} N _ n (1) N adalah jumlah ttk-ttk data, dan n adalah urutan momen. Momen dgunakan untuk menghtung statstk terhadap wndow/jendela dan nla pksel pada pusat jendela dan sektarnya. Ukuran lan yang dperlukan adalah order atau urutan selsh momen. Order selsh momen unsur k d defnskan pada persamaan (2) berkut, k Momen ( j) M[, j] (2) k M[,j] adalah matrks tngkat-keabuan yang mengandung nformas mengena poss pkselpksel yang dnyatakan dengan nla jarak (d). Setap nla d, dengan empat faktor arah ctra, yang masngmasng mempunya ukuran tngkat-keabuan maksmal 256 x 256 (colour btmap), membentuk ctra gabungan dalam bentuk matrks dengan 256 tngkat-keabuan sehngga secara keseluruhan menghaslkan konvers dar struktur ctra menjad bentuk dgtal [11]. 2.4 Analss Komponen Prnspal Prncple Component Analyss (PCA) adalah teknk statstk untuk menyederhanakan kumpulan data banyak-dmens menjad dmens yang lebh rendah (extraton feature) [4, 12]. PCA merupakan transformas lner ortogonal yang mentransformas data ke sstem koordnat baru, sehngga keragaman terbesar dengan suatu proyeks berada pada koordnat pertama (dsebut prnspal komponen pertama), keragaman terbesar kedua berada pada koordnat kedua dan seterusnya. Konsep penggunaan PCA melput perhtungan nla-nla smpangan baku, matrks kovaran, nla karakterstk (egen value) dan vektor karakterstk (egen vector). PCA dapat menggunakan metoda kovarans atau korelas [3, 4]. Jka dperlukan, data dstandardsas terlebh dahulu sehngga menghampr sebaran normal baku. Dalam hal n dgunakan metoda kovarans dengan algortma berkut, Mengumpulkan data dalam bentuk matrx tngkat-keabuan X berukuran M x N. Msalkan x x,...,, 2 x M 1 adalah vektor N x 1 : j _ M 1 x 1 () Menghtung rata-rata: x M () Menghtung selsh rata-rata: x x () Menentukan matrks kovaran Dar matrks X=[Φ 1 Φ 2 Φ M ] (matrks NxM), M Htung kovaran: 1 T T C n n XX M n 1 (v) Menentukan nla karakterstk dan vektor karakterstk dar matrk kovaran C : N dan C : u1, u2,..., un (v) Mengurutkan vektor karakterstk u dan nla karakterstk dalam matrks dagonal dalam urutan menurun sesua dengan nla peluang kumulatf terbesar untuk tap vektor karakterstk sehngga dperoleh nla-nla karakterstk yang domnan. 2.5 Sstem Jarngan Syaraf Truan Pemodelan berbass jarngan syaraf truan merupakan pembelajaran dan adaptas suatu obyek. Terdapat beberapa metode dalam pembelajaran dengan pengawasan pada jarngan syaraf truan dantaranya metode perceptron dan metode back propagaton. Metode perceptron adalah metode pembelajaran dengan pengawasan dalam jarngan syaraf truan, sehngga jarngan yang dhaslkan harus mempunya parameter yang dapat datur dengan cara mengubah melalu aturan pembelajaran dengan pengawasan. Perceptron merupakan bentuk jarngan sederhana dan dgunakan untuk mengklasfkaskan pola tpe tertentu yang dkenal dengan pemsahan secara lner [7, 9]. Jarngan syaraf truan terdr dar sejumlah neuron. Dalam merancang jarngan syaraf truan perlu dperhatkan banyaknya spesfkas yang akan ddentfkas. Penggunaan metoda perceptron untuk aplkas pengenalan pola dgambarkan sebaga unsur matrk antara 0 dan 1. Layer pertama perceptron menyatakan suatu kumpulan detektor tanda sebaga syarat nput untuk mengetahu tanda khusus. Layer kedua mengambl output dar tanda khusus dalam layer pertama dan mengklasfkaskan pola data yang dberkan. Pembelajaran dnyatakan dengan membuat aturan hubungan yang relevan (bobot w ) dengan suatu nla ambang ( ) atau treshold. Untuk persoalan dua-kelas, layer output hanya mempunya satu smpul. Untuk persoalan n- kelas dengan n 3, layer output mempunya n smpul, yang masng-masng berkorespondens terhadap suatu kelas, dan smpul output dengan nla terbesar mengndkas kelas mana vektor nput termasuk d dalamnya. Fungs g dalam layer-1 adalah konstan, dan memetakan semua atau sebagan pola nput ke dalam nla bner x {-1,1} atau nla bpolar x {0,1 [ ]. Apabla data drepresentaskan secara bpolar, maka perbakan bobotnya dnyatakan pada persamaan (3) [8], w ( baru) w ( lama) t x (3) _

4 w : bobot yang dapat dmodfkas sehubungan kedatangan syarat x, dan w 0 (= ) merupakan pendekatan awal. Fungs f(.) adalah fungs aktvas perceptron dan khusus berlaku untuk suatu fungs sgnum sgn(x) atau fungs step step(x) [6], yang dnyatakan pada persamaan (4) dbawah n sgn( x) 1 jka x 0 1 jka lannya step( x) 1 jka x 0 (4) 0 jka lannya algortma pembelajaran perceptron layer tunggal dulang mengkut tahapan memlh suatu vektor nput x dar kumpulan data pelathan. Jka perceptron memberkan jawaban salah, modfkas semua bobot terhubung w sampa bobot konvergen w t x ( ; t : target output). Arstektur jarngan syaraf truan terdr dar s neuron dan r masukan dapat dnyatakan dalam Gambar 5 [3] ; Gambar 5. Contoh arstektur neural network dengan s neuron dan r masukan 3. HASIL DAN PEMBAHASAN Telah dlakukan tahapan proses pengenalan pola untuk klasfkas jens tumor otak yang melput proses pengolahan ctra, analss komponen prnspal serta dentfkas. Setap kegatan dar proses pengenalan pola tersebut d atas masng-masng dlakukan sesua dengan sstem dagram alur terhadap proses pengenalan pola pada Gambar 4. Dperoleh hasl dentfkas pola untuk jens tumor jnak. Dalam pengujan jens tumor jnak danalss beberapa contoh hasl CT Scan dengan proses pengolahan ctra dan PCA yang dberkan prosedurnya pada lampran A.1. Tahap pertama, ctra dalam fle elektronk, dkonvers dengan proses pengolahan ctra menjad bentuk dgtal. Pada tahap kedua, setelah dperoleh matrks tngkat keabuan, dbentuk matrks kovaran dengan nstruks menghtung matrks kovaran dan berkutnya dengan analss PCA dperoleh hasl enam nla karakterstk yang domnan. Tahap pertama dan kedua dlakukan masng-masng untuk data pembelajaran, data pelathan dan data smulas yang masng-masng dproses sesua prosedur pada lampran A. Tahap ketga dlakukan dentfkas menggunakan proses jarngan syaraf truan sesua prosedur yang dberkan pada lampran B yang melput proses pembelajaran yang terdr atas enam contoh nput, terdr dar satu contoh masukan CT Scan otak normal dan lma contoh masukan CT Scan jens tumor jnak. Proses pelathan dambl satu contoh masukan CT Scan otak normal dan lma contoh masukan CT Scan jens tumor jnak. Selanjutnya proses smulas pertama dambl satu contoh dambl satu contoh masukan CT Scan otak normal dan lma contoh masukan CT Scan jens tumor jnak. Berkutnya pada proses smulas kedua dambl satu contoh dambl satu contoh masukan CT Scan otak normal dan lma contoh masukan CT Scan jens tumor jnak. Sedangkan pada proses smulas ketga dambl satu contoh masukan CT Scan otak normal dan lma contoh masukan CT Scan jens tumor jnak. Program dan hasl dberkan pada lampran B dengan kode untuk jens otak normal, kode untuk jens tumor otak jnak Menngoma, kode untuk jens tumor Adenoma Ptutar, kode untuk jens tumor Kranofarngoma, kode untuk jens tumor Plocytc Astrostoma dan kode untuk jens tumor Akustk Neurnoma. Hasl dentfkas dberkan untuk 120 sampel. Secara keseluruhan keberhaslan dentfkas dberkan dalam Tabel 1 berkut n, Tabel 1 : Hasl Identfkas Hasl CT Scan Jumlah benar Jumlah salah % keteltan Normal % Menngoma % Adenoma Ptutar % Kranofarngoma % Plocytc Astrostoma % Akustk Neurnoma % 4. KESIMPULAN Dengan proses pengenalan pola, hasl CT Scan jens tumor jnak dapat dnyatakan dan dkonvers dalam bentuk dgtal dengan teknk pengolahan ctra. Analss komponen prnspal dapat menentukan nla karakterstk yang domnan dar pola jens tumor jnak yang dapat dgunakan untuk dentfkas pada jarngan syaraf truan. Pemodelan untuk membedakan klasfkas jens tumor jnak dapat menggunakan jarngan syaraf truan. Metoda perceptron dalam jarngan syaraf truan merupakan pembelajaran dan adaptas suatu obyek yang cukup bak serta sesua untuk pemodelan dentfkas jens tumor. Dperoleh pengembangan perangkat lunak untuk dentfkas jens tumor berbass jarngan syaraf truan.

5 PUSTAKA [1] Aryanto, Gunawan,; cs, (2007) Hand Gesture Recognton Usng Neural Network for Robotc Arm Control, Proceedngs of Natonal Conference on Computer Scence & Informaton Technology page 412, Faculty of Computer Scence, Unversty of Indonesa, Jakarta [2] Frucc, M; Sannt G., (2008) From Segmentaton to Bnarzaton of Gray-level Images Insttute of Cybernetcs E.Caanello, CNR Va Camp Flegre 34, Pozzuol, Naples, 80078, Italy, Journal of Pattern Recognton Research 1, 1-13 [3] Hanselman, D.; Lttlefeld, B., (1998) Masterng MATLAB 5, A Comprehensve Tutoral and Reference, Prentce-Hall Inc. [4] Ronald Scrofano, Myungsook Klassen, (2001) Pattern Recognton wth Feedforward, Artfcal Neural Networks, Calforna LutheranUnversty,dakses 18 Desember 2009, [5] Japard, Iskandar Dr., (2002) Gambaran CT Scan pada Tumor Otak Bengna, Fakultas Kedokteran Bagan Bedah, Unverstas Sumatera Utara, Dgtzed by USU dgtal lbrary [6] Kosko, Bart, (1992). Neural Networks and Fuzzy Systems, A Dynamcal Systems Approach to Machne Intellgence, Prentce-Hall Internatonal Edtons [7] Kumar, Satsh, (2004) Neural Networks, Mc Graw-Hll, New Delh [8] Kuswad, Son, (2007) Kendal Cerdas, Teor dan Aplkas Praktsnya, Penerbt ANDI, Yogyakarta [9] Mattuss, C.; Marbach, N. (2008), The Age of Analog Networks, Artfcal Intelegence Magazne, Vol 29, number 3 [10] Parker J.R., (1997) Algorthms for Image Processng and Computer Vson, Wley Computer Publshng, John Wley & Sons, Inc. [11] Pearson, Don, (1991) Image Processng, McGraw-Hll Internatonal Edtons [12] Susmkant, Mke, (2001) Penyederhanaan Pemetaan Struktur Ketergantungan Varabel Menggunakan Teknk Prnspal Komponen, Prosdng Lokakarya Komputas dalam Sans dan Teknolog Nuklr XII, BATAN, Jakarta. [13] Susmkant, M; Entn H; Dnan A, (2009) Identfkas Pengenalan Pola Osteopoross terhadap Hasl Rontgen Jar Tangan dan Tulang Belakang, Semnar SRITI, STMIK AKAKOM, Yogyakarta Lampran A. Program konvers ctra dan karakterstk domnan satu ctra jens tumor otak clear;clc; fb=fopen('normal_1.m','w'); X=mread('normal_1.bmp'); DX=double(X); COVDX=cov(DX); fprntf(fb,'\n Egen Value S \n'); EIGDX=egs(COVDX); fprntf(fb,'%9.2f\n',eigdx); [VS,DS,FLAG]=egs(COVDX); fprntf(fb,'\n VS \n'); fprntf(fb,'%9.2f',vs); fprntf(fb,'\n DS \n'); fprntf(fb,'%9.2f %9.2f %9.2f %9.2f %9.2f %9.2f\n',DS); fprntf(fb,'\n Flag \n'); fprntf(fb,'%9.2f\n',flag); SVDS=svds(COVDX) fprntf(fb,'\n SVDS : \n'); fprntf(fb,'%9.2f\n',svds); fprntf(fb,'\n Prncpal componen from covarance :'); [PC,LATENT,EXPLAINED]=pcacov(COVDX); fprntf(fb,'\n LATENT \n'); fprntf(fb,'%9.2f\n',latent); fprntf(fb,'\n Explaned \n'); fprntf(fb,'%9.2f\n',explained); fclose(fb); Hasl : Egen Value S DS SVDS : Prncpal componen from covarance : LATENT Lampran B. Program dentfkas jens tumor otak dan Hasl clear;clc; fb=fopen('out_tumor_bran_5.txt','w'); % A. Tahap pembelajaran jarngan % Jens Tumor & Normal % A.1 Deklaras dan Insalsas jarngan neuron net1=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net2=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net3=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net4=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net5=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net6=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); w1=net1.iw{1,1,1,1,1,1}; w2=net2.iw{1,1,1,1,1,1}; w3=net3.iw{1,1,1,1,1,1}; w4=net4.iw{1,1,1,1,1,1}; w5=net5.iw{1,1,1,1,1,1}; w6=net6.iw{1,1,1,1,1,1}; b1=net1.b{1}; b2=net2.b{1}; b3=net3.b{1}; b4=net4.b{1}; b5=net5.b{1}; b6=net6.b{1}; % A.2 Deklaras matrks karakterstk p=[ ;%Normal

6 ;%Menngoma ;%Adenoma H ;%Kranofarngoma ;%Plocytc A ];%Akustk N ptotal=p'; % A.3 Deklaras Target t1 = [ ]; t2 = [ ]; t3 = [ ]; t4 = [ ]; t5 = [ ]; t6 = [ ]; % A.4 Proses Pembelajaran net1=tran(net1,ptotal,t1); net2=tran(net2,ptotal,t2); net3=tran(net3,ptotal,t3); net4=tran(net4,ptotal,t4); net5=tran(net5,ptotal,t5); net6=tran(net6,ptotal,t6); fprntf(fb,' Proses Pembelajaran :\n'); alearn=[sm(net1,ptotal)] alearn=[sm(net2,ptotal)] alearn=[sm(net3,ptotal)] alearn=[sm(net4,ptotal)] alearn=[sm(net5,ptotal)] alearn=[sm(net6,ptotal)] % B. Tahap Pelathan % B.1 Deklaras dan Insalsas Jarngan net11=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net21=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net31=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net41=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net51=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); net61=newp([0 1;0 1;0 1;0 1;0 1;0 1],1); w1=net11.iw{1,1,1,1,1,1}; w2=net21.iw{1,1,1,1,1,1}; w3=net31.iw{1,1,1,1,1,1}; w4=net41.iw{1,1,1,1,1,1}; w5=net51.iw{1,1,1,1,1,1}; w6=net61.iw{1,1,1,1,1,1}; b1=net11.b{1}; b2=net21.b{1}; b3=net31.b{1}; b4=net41.b{1}; b5=net51.b{1}; b6=net61.b{1}; % B.2 Deklaras Matrks p1=[ ;%Normal ;%Menngoma ;%Adenoma H ;%Kranofarngoma ;%Plocytc A ];%Akustk N ptotal1=p1'; % B.3 Deklaras Target t11 = t1;t21 = t2; t31 = t3;t41 = t4; t51 = t5;t61 = t6; % B.4 Proses Pelathan net11=tran(net11,ptotal1,t11); net21=tran(net21,ptotal1,t21); net31=tran(net31,ptotal1,t31); net41=tran(net41,ptotal1,t41); net51=tran(net51,ptotal1,t51); net61=tran(net61,ptotal1,t61); fprntf(fb,' Proses Pelathan :\n'); atran=[sm(net11,ptotal1)] atran=[sm(net21,ptotal1)] atran=[sm(net31,ptotal1)] atran=[sm(net41,ptotal1)] atran=[sm(net51,ptotal1)] atran=[sm(net61,ptotal1)] % C. Smulas 1 % C.1 Deklaras p2=[ ;%Normal ;%Menngoma ;%Adenoma H ;%Kranofarngoma ;%Plocytc A ];%Akustk Neurnoma ptotal2=p2'; % C.2 Proses Smulas 1 net12=tran(net11,ptotal2,t11); net22=tran(net21,ptotal2,t21); net32=tran(net31,ptotal2,t31); net42=tran(net41,ptotal2,t41); net52=tran(net51,ptotal2,t51); net62=tran(net61,ptotal2,t61); fprntf(fb,' Proses Smulas 1 :\n'); asm1=[sm(net12,ptotal2)] asm1=[sm(net22,ptotal2)] asm1=[sm(net32,ptotal2)] asm1=[sm(net42,ptotal2)] asm1=[sm(net52,ptotal2)] asm1=[sm(net62,ptotal2)] Hasl : Proses Pembelajaran : Proses Pelathan : Proses Smulas 1 : (seharusnya )