BAB III PEMBAHASAN. Radial Basis Function Neural Network (FRBFNN), prosedur pembentukan model
|
|
- Suharto Sudirman
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB III PEMBAHASAN Bab III merupakan pembahasan yang meliputi proses penelitian yaitu Fuzzy Radial Basis Function Neural Network (FRBFNN), prosedur pembentukan model FRBFNN, hasil model FRBFNN untuk deteksi dini kanker paru, dan ketepatan hasil deteksi dini kanker paru. A. Fuzzy Radial Basis Function Neural Network (FRBFNN) Fuzzy Radial Basis Function Neural Network (FRBFNN) merupakan model yang terintegrasi dari Radial Basis Function Neural Network (RBFNN) dan logika fuzzy. Model tersebut menerapkan konsep teori himpunan fuzzy pada input, output dan lapisan tersembunyi. Penggunaan logika fuzzy yang diterapkan pada suatu jaringan saraf tiruan untuk mengantisipasi dalam mengolah informasi-informasi yang memiliki ketidakpastian atau bersifat ambigu. Model RBFNN telah banyak digunakan dalam menyelesaikan permasalahan-permasalahan seperti data mining, prediksi runtun waktu, pengolahan sinyal, sistem kontrol dan pengenalan pola. Model FRBFNN melakukan pembelajaran jaringan secara hybrid dengan menggunakan pembelajaran tak terawasi (unsupervised learning) dan pembelajaran terawasi (supervised learning). Model FRBFNN menggunakan variabel input fuzzy yang didasarkan pada logika fuzzy, yaitu derajat keanggotaan masing-masing himpunan fuzzy yang merupakan hasil dari proses fuzzifikasi input fitur, sedangkan proses pengambilan keputusan diselesaikan dengan menggunakan pendekatan jaringan saraf tiruan. 45
2 1. Arsitektur Fuzzy Radial Basis Function Neural Network (FRBFNN) Desain arsitekur model FRBFNN yang digunakan pada tugas akhir ini terdiri dari 4 lapisan, yaitu lapisan ke-1 sebagai lapisan input fitur, lapisan ke-2 sebagai lapisan input fuzzy dari input fitur, lapisan ke-3 sebagai lapisan tersembunyi dan lapisan ke-4 sebagai lapisan output. Desain dari arsitektur FRBFNN dapat dilihat pada Gambar 3.1. μ 1.1 (x 1 ) x 1 μ 2.1 (x 1 ) φ 1 x 2 μ q.1 (x 1 ) μ 1.2 (x 2 ) μ 2.2 (x 2 ) φ 2 φ 3 w 1 w 2 w 3 y 1 μ q.2 (x 2 ) μ 1.p (x p ) w m x p μ 2.p (x p ) φ m w μ q.p (x p ) bias - Gambar 3.1 Arsitektur Model FRBFNN Pada lapisan ke-1 menuju lapisan ke-2 dilakukan fuzzifikasi untuk memperoleh derajat keanggotaan masing-masing input fitur yang digunakan pada neuron-neuron di lapisan ke-2. Pada lapisan ke-2 menuju lapisan ke-3 dilakukan 46
3 proses pembelajaran jaringan tak terawasi (unsupervised learning) sedangkan pada lapisan ke-3 menuju lapisan ke-4 dilakukan proses pembelajaran jaringan terawasi (supervised learning). Pada model FRBFNN ini lapisan input fitur menerima sinyal dari x 1, x 2,, x p kemudian pada masing-masing input fitur akan ditentukan derajat keanggotaan dengan menggunakan fungsi keanggotaan representasi kurva trapesium pada Persamaan (2.3), sedangkan pada lapisan input fuzzy menerima sinyal dari μ 1.1 (x 1 ),μ 2.1 (x 1 ),μ 3.1 (x 1 ),μ 1.2 (x 2 ),..., μ l.i (x i ),, μ q.p (x p ) kemudian sinyal tersebut dikirimkan ke semua neuron pada lapisan tersembunyi. Diantara lapisan tersembunyi dan lapisan output terdapat m buah bobot w 1,w 2, w 3,, w m dan sebuah bobot bias w. Selanjutnya, pada arsitektur FRBFNN menggunakan fungsi aktivasi φ 1, φ 2, φ 3,, φ m dari lapisan tersembunyi menuju lapisan output y 1. Dalam arsitektur FRBFNN juga menambahkan satu neuron bias pada lapisan tersembunyi. Dengan menambahkan bias pada lapisan tersembunyi diharapkan dapat mengoptimalkan kinerja jaringan saraf tiruan untuk mengolah informasi. 2. Fungsi Aktivasi Fuzzy Radial Basis Function Neural Network (FRBFNN) Model FRBFNN menggunakan fungsi aktivasi yaitu fungsi radial basis pada setiap neuron di lapisan tersembunyi. Berikut ini beberapa fungsi radial basis yang dapat digunakan sebagai fungsi aktivasi (Orr, 1996: 4): a. Fungsi Gaussian φ[μ(x)] = exp [ (μ(x) c)2 r 2 ] (3.1) 47
4 b. Fungsi Cauchy φ[μ(x)] = [(μ(x) c)2 +r 2 ] 1 r (3.2) c. Fungsi Multikuadratik d. Fungsi Invers Multikuadratik dengan, φ[μ(x)] = (μ(x) c) 2 + r 2 (3.3) φ[μ(x)] = r (μ(x) c) 2 +r 2 (3.4) r c x μ(x) φ[μ(x)] = jarak maksimum variabel input ke pusat cluster = nilai pusat variabel input pada cluster = nilai input fitur = derajat keanggotaan himpunan fuzzy dari input fitur = fungsi aktivasi neuron tersembunyi Output (y) yang dihasilkan dari model FRBFNN merupakan kombinasi linear dari bobot (w j ) dengan fungsi aktivasi (φ[μ(x)]) dan bobot bias (w ). Output (y) dirumuskan sebagai berikut : dengan, φ j [μ(x)] = exp [ [μ(x) C j ]T [μ(x) C j ] r j 2 ], y = m j=1 w j φ j [μ(x)] + w (3.5) [μ(x)] T = [μ 1.1 (x 1 ) μ 2.1 (x 1 ) μ 3.1 (x 1 )... μ l.i (x i ) μ q.p (x p )], [C j ] T = [c (11) c (21) c (31) c (li) c (qp) ], 48
5 μ(x) = vektor derajat keanggotaan himpunan fuzzy dari input fitur C j w j = vektor nilai pusat cluster ke-j = bobot dari neuron pada lapisan tersembunyi ke-j menuju neuron pada lapisan output, w = bobot bias pada lapisan tersembunyi menuju neuron pada lapisan output, r j j i l = jarak maksimum pada cluster ke-j, = 1,2,3,, m, = 1,2,3,, p. = 1,2,3,, q. 3. Algoritma Pembelajaran FRBFNN Proses pembelajaran model FRBFNN menggunakan jaringan hybrid, yaitu dengan menggabungkan antara pembelajaran tak terawasi (unsupervised learning) pada proses pengiriman sinyal lapisan input fuzzy menuju lapisan tersembunyi dan pembelajaran terawasi (supervised learning) untuk pemrosesan informasi dari lapisan tersembunyi menuju lapisan output. Algoritma pembelajaran FRBFNN terbagi menjadi 4 tahapan yaitu menentukan input fuzzy pada lapisan fuzzy, input fuzzy pada lapisan fuzzy ditentukan melalui proses fuzzifikasi input fitur. Hasil dari proses fuzzifikasi dari input fitur yaitu derajat keanggotaan masing-masing himpunan fuzzy. Kedua, menentukan pusat (c (li) ) dan jarak (r j ) pada masing-masing fungsi basis, setiap pusat dan jarak tersebut ditentukan menggunakan salah satu metode clustering yaitu metode K- Means Clustering. Ketiga, menentukan jumlah neuron pada lapisan tersembunyi 49
6 yang dilakukan secara trial and error. Terakhir, menentukan bobot-bobot pada lapisan jaringan optimum, bobot ditentukan melalui dua pendekatan yaitu metode global ridge regression dan metode algoritma backpropagation. Dari dua metode tersebut akan dibandingkan, hasil yang terbaik yang akan digunakan pada model FRBFNN. a. Proses Fuzzifikasi Input Fitur Untuk menentukan input fuzzy pada lapisan input fuzzy dilakukan proses fuzzifikasi. Fuzzifikasi adalah pemetaan himpunan tegas (crisp) ke himpunan fuzzy yang diwakili oleh suatu derajat keanggotaan (Ross, 21: 93). Berikut ini contoh proses fuzzifikasi menggunakan fungsi keanggotaan representasi kurva trapesium. Misalkan x 1 =,6 dan himpunan semesta dari x adalah U x = [ 1] akan dipetakan ke dalam 3 himpunan fuzzy. Perhitungan parameter-parameter pada fungsi keanggotaan trapesium untuk x 1 pada himpunan A, himpunan B, dan himpunan C, dapat dirumuskan sebagai berikut, Diketahui himpunan semesta U = [min max] (b a) = (d c) = max min (c b) = (max min) [2(b a)] 2 4 (3.6) (3.7) a A = min (b a) [ 1 (c b)] (3.8) 2 dengan (b a) = (b A a A ) = = (b C a C ) = (d A c A ) = = (d C c C ) = (d c). a B = c A, b B = d A, a C = c B, b C = d B. 5
7 Menentukan parameter-parameter pada fungsi keanggotaan trapesium untuk himpunan A yaitu a A, b A,c A, d A adalah sebagai berikut, (b a) = (d c) = max min 4 = 1 4 =,25 (max min) [2(b a)] (1 ) [2(,25)] (c b) = = =, a A = min (b a) [ 1 2 (c b)] =,25 (1,25) =,375 2 b A = a A +,25 =,125 c A = b A +,25 =,125 d A = c A +,25 =,375 Fungsi keanggotaan pada himpunan A untuk x berdasarkan Persamaan (2.3) adalah sebagai berikut, ; x,375 atau x,375 x +,375 ;,375 < x <,125 μ A (x),125 +,375 = 1;,125 x,125,375 x ;,125 < x <,375 {,375,125 Perhitungan parameter-parameter fungsi keanggotaan pada himpunan B dan C analog dengan perhitungan parameter pada himpunan A, sehingga diperoleh fungsi keanggotaan untuk himpunan B dan C berdasarkan Persamaan (2.3) adalah sebagai berikut, ; x,125 atau x,875 x,125 ;,125 < x <,375 μ B (x),375,125 = 1;,375 x,625,875 x ;,625 < x <,875 {,875,625 51
8 ; x,625 atau x 1,375 x,625 ;,625 < x <,875 μ C (x),875,625 = 1;,875 x 1,125 1,375 x ; 1,125 < x < 1,375 { 1,375 1,125 Perhitungan derajat keanggotaan pada masing-masing himpunan fuzzy adalah sebagai berikut, μ A (,6) = μ B (,6) = 1 μ C (,6) = b. K-Means Clustering untuk Menentukan Pusat dan Jarak Fungsi Basis Algoritma K-Means Clustering adalah algoritma klasterisasi yang mengelompokkan data berdasarkan titik pusat klaster (centroid) terdekat dengan data. Tujuan dari K-Means Clustering adalah mengelompokkan data dengan memaksimalkan kemiripan data dalam satu klaster dan meminimalkan kemiripan data antar klaster. Memaksimalkan kemiripan data didapat berdasarkan jarak terpendek antara data terhadap titik pusat (centroid) (Asroni & Adrian, 215: 78). Algoritma metode K-Means Clustering (Johnson & Wichern, 27: 696): 1) Tentukan partisi awal data ke dalam m-cluster. 2) Tempatkan setiap data ke dalam cluster terdekat dengan menghitung jarak antar data dan tiap-tiap cluster (perhitungan jarak biasanya menggunakan jarak euclidean). Persamaan jarak euclidean antara dua buah titik sebarang A(x 1,x 2,, x n ) dan B(y 1, y 2,, y n ) sebagai berikut: d(a, B) = (x 1 y 1 ) 2 + (x 2 y 2 ) (x n y n ) 2 (3.9) 52
9 Hitung ulang kembali nilai pusat untuk cluster yang menerima data baru dan cluster yang kehilangan data. 3) Ulangi kembali langkah ke-2 sehingga tidak terdapat data yang berpindah cluster. Contoh penggunaan metode K-Means Clustering: Misalkan terdapat dua variabel yaitu x 1 dan x 2 untuk masing-masing A, B, C, dan D. Data diberikan pada Tabel 3.1: Tabel 3.1 Tabel Data Pengamatan Item x 1 x 2 A 5 3 B -1 1 C 1-2 D -3-2 Data pada Tabel 3.1 akan dikelompokkan menjadi 2 cluster (m = 2). Untuk mengimplementasikan K-Means Clustering dengan 2 cluster, pertama partisi item menjadi 2 cluster (AB) dan (CD), kemudian hitung pusat masing-masing cluster, seperti pada Tabel 3.2: Tabel 3.2 Koordinat Pusat Cluster Partisi Pertama Cluster (AB) (CD) 5 + (1) 2 Koordinat Pusat Cluster x 1 x 2 = ( 3) = = ( 2) =
10 Langkah selanjutnya adalah menghitung jarak euclidean pada Persamaan (3.9) untuk masing-masing item dari pusat cluster dan menempatkan kembali masing-masing item ke cluster terdekat. Jika terdapat item yang berpindah, maka pusat cluster dihitung kembali. Untuk koordinat ke-i, i = 1,2,, j pusat cluster dihitung dengan cara: 1) Jika item ke-i ditambahkan ke dalam cluster x i,new = nx i +x ji n+i (3.1) 2) Jika item ke-i dihilangkan dari cluster x i,new = nx i x ji n i (3.11) Dengan n adalah jumlah item pada cluster sebelumnya. Lalu, dilakukan perhitungan jarak euclidean tiap item terhadap masing-masing cluster dengan menggunakan Persamaan (3.9): d(a, (AB)) = (5 2) 2 + (3 2) 2 = 3,162 d(a, (CD)) = (5 + 1) 2 + (3 + 2) 2 = 7,81 Karena jarak A dengan (AB) lebih dekat, sehingga A tetap pada cluster (AB). d(b,(ab)) = ( 1 2) 2 + (1 2) 2 = 3,162 d(b,(cd)) = ( 1 + 1) 2 + (1 + 2) 2 = 3 Karena jarak B dengan (CD) lebih dekat, sehingga B berpindah ke cluster (CD). d(c, (AB)) = (1 2) 2 + ( 2 2) 2 = 4,123 d(c, (CD)) = (1 + 1) 2 + ( 2 + 2) 2 = 2 Karena jarak C dengan (CD) lebih dekat, sehingga C tetap pada cluster (CD). d(d, (AB)) = ( 3 2) 2 + ( 2 2) 2 = 6,43 54
11 d(d, (CD)) = ( 3 + 1) 2 + ( 2 + 2) 2 = 2 Karena jarak D dengan (CD) lebih dekat, sehingga D tetap pada cluster (CD). Berdasarkan perhitungan jarak di atas dilakukan pengelompokan kembali berdasarkan jarak minimum, diperoleh cluster yang baru yaitu (A) dan (BCD) dan menghitung kembali nilai pusat yang baru dengan Persamaan (3.1) dan (3.11) dengan nilai pusat baru pada Tabel 3.3: Tabel 3.3 Koordinat Pusat Cluster Partisi Kedua Cluster Koordinat Pusat Cluster x 1 x 2 (A) (BCD) 2(2) ( 1) = ( 1) + ( 1) = (2) = 3 2( 2) + 1 = Pusat cluster baru yang terbentuk adalah A (5,3) dan BCD ( 1, 1). Setelah diperoleh cluster dan pusat cluster yang baru dilakukan perhitungan jarak euclidean dan pengelompokan kembali. Pada contoh ini, perhitungan jarak euclidean dan pengelompokan kembali diperoleh hasil yang sama dengan sebelumnya (stabil) yaitu A (5,3) dan BCD ( 1, 1). Selanjutnya, menghitung jarak maksimum tiap item terhadap cluster masing-masing: d(a, (A)) = (5 5) 2 + (3 3) 2 = d(b,(bcd)) = ( 1 + 1) 2 + (1 + 1) 2 = 2 d(c, (BCD)) = (1 + 1) 2 + ( 2 + 1) 2 = 2,236 d(d, (BCD)) = ( 3 + 1) 2 + ( 2 + 1) 2 = 2,236 55
12 Berdasarkan hasil perhitungan di atas, diperoleh jarak maksimum untuk tiaptiap cluster adalah untuk cluster (A) dan 2,236 untuk cluster (BCD). c. Menentukan Jumlah Neuron pada Lapisan Tersembunyi Jumlah neuron pada lapisan tersembunyi sama dengan banyaknya cluster yang digunakan pada proses clustering dengan K-Means Clustering. Untuk menentukkan jumlah neuron pada lapisan tersembunyi dari model FRBFNN dilakukan secara trial and error. d. Menentukan bobot-bobot pada Jaringan Optimum Penentuan bobot-bobot pada model FRBFNN yang digunakan pada tugas akhir ini menggunakan dua pendekatan yaitu mengestimasi bobot optimum menggunakan metode global ridge regression dan algoritma backpropagation. Berikut adalah estimasi bobot optimum dengan menggunakan metode global ridge regression dan algoritma backpropagation: 1) Estimasi Bobot Optimum menggunakan Metode Global Ridge Regression Proses pembelajaran terawasi (supervised) pada model FRBFNN dari lapisan tersembunyi menuju lapisan output menggunakan metode Global Ridge Regression. Metode Global Ridge Regression mengestimasi bobot dengan cara menambahkan parameter regulasi yang bernilai positif (λ > ) pada Sum Square Error (Orr, 1996:24). Estimasi bobot terbaik diperoleh dari hasil akhir dengan SSE terkecil. Dengan menggunakan metode kuadrat terkecil (ordinary least square) akan diperoleh bobot optimum. Model linear yang digunakan adalah y = m j=1 w j φ j [μ(x)] + w SSE = n k =1 (y k y k) 2 (3.12) 56
13 dengan n y k y k k = jumlah data pengamatan = hasil variabel output dari data ke-k = target variabel output dari data ke-k = 1,2,3,..., n. Untuk menentukan nilai optimum bobot w j, dapat ditentukan dengan mendiferensialkan Persamaan (3.12) terhadap bobot-bobotnya sehingga diperoleh, Berdasarkan Persamaan (3.5) diperoleh, SSE = 2 n (y w k j y k) y k=1 (3.13) w j y w j = φ j [μ(x)] (3.14) Persamaan (3.14) disubstitusikan ke Persamaan (3.13) dengan mengasumsikan bahwa SSE w j = diperoleh, = 2 n k =1 (y k y k)φ j [μ(x)] (3.15) = 2 n k =1 y k φ j [μ(x)] 2 n k=1 y kφ j [μ(x)] (3.16) 2 n k=1 y kφ j [μ(x)] = 2 n k=1 y k φ j [μ(x)] (3.17) n k =1 y kφ j [μ(x)] = n k=1 y k φ j [μ(x)] (3.18) Karena, j = 1,2,, m maka akan diperoleh m persamaan seperti Persamaan (3.18) untuk menentukan m bobot. Untuk memperoleh penyelesaian tunggal, Persamaan (3.18) ditulis dalam notasi vektor diperoleh, φ j T y = φ j T y (3.19) 57
14 φ j [μ(x)] 1 y 1 y 1 φ φ j = j [μ(x)] 2 y ; y = [ 2 ] ; y = [ y 2 ] [ φ j [μ(x)] n ] y n y n φ T 1 y φ T 1 y φ T 2 y = φ T 2 y [ φ T m y ] [ φ T m y] φ T y = φ T y (3.2) dengan φ = [φ 1 φ 2 φ m φ bias ] φ 1 [μ(x)] 1 φ φ = [ 1 [μ(x)] 2 φ 1 [μ(x)] n φ 2 [μ(x)] 1 φ 2 [μ(x)] 2 φ 2 [μ(x)] n φ m [μ(x)] 1 1 φ m [μ(x)] 2 1 ] 1 φ m [μ(x)] n 1 Matriks φ adalah matriks desain. Komponen ke-k dari y saat bobot pada nilai optimum adalah (Orr, 1996: 43), y k = m j=1 w j φ j [μ(x)] = φ kt w (3.21) dengan φ k = φ 1 [μ(x)] k φ 2 [μ(x)] k φ m [μ(x)] k [ 1 ] (3.22) Akibat φ j adalah salah satu kolom dari φ dan φ kt adalah satu baris dari φ. Oleh karena itu, berdasarkan Persamaan (3.21) diperoleh, y 1 φ 1T w y 2 y = [ ] = φ 2T w = φw (3.23) y n [ φ nt w ] 58
15 Dengan mensubstitusikan Persamaan (3.23) ke Persamaan (3.2) maka, φ T φw = φ T y (3.24) (φ T φ) 1 φ T φw = (φ T φ) 1 φ T y (3.25) w = (φ T φ) 1 φ T y (3.26) Selanjutnya pada persamaan SSE yaitu Persamaan (3.12) ditambahkan suatu parameter regulasi (λ > ) sehingga diperoleh suatu cost function sebagai berikut (Orr, 1996: 24): C = n (y k y k) 2 + m 2 k =1 j=1 λ j w j (3.27) dengan k y k y k λ j w j = 1,2,3..., n, banyak data pengamatan = hasil variabel output dari data ke-k = target variabel output dari data ke-k = parameter regulasi = bobot dari neuron pada lapisan tersembunyi ke-j menuju neuron pada lapisan output Dengan melakukan hal yang sama pada sebelumnya bobot yang optimum diperoleh dengan mendiferensialkan Persamaan (3.27) kemudian ditentukan penyelesaiannya untuk differensial sama dengan nol diperoleh (Orr, 1996: 41-43), C w j = 2 n k=1 y (y k y k) + 2λ w j w j (3.28) j C w j = 2 n y k=1 y k w j 2 n k =1 y k y w j + 2λ j w j (3.29) 59
16 Dengan mengasumsikan bahwa C w j = pada Persamaan (3.29) sehingga akan diperoleh, = 2 n k =1 y k = n k=1 y k n k =1 y w j 2 y y w j y k = w j n k =1 n k =1 n k =1 y k y y k + 2λ w j w j (3.3) j y y k + λ w j w j (3.31) j y w j + λ j w j (3.32) Berdasarkan Persamaan (3.5) bahwa y w j = φ j [μ(x)], maka berdasarkan Persamaan (3.32) diperoleh, n k =1 y k φ j [μ(x)] = n k=1 y k φ j [μ(x)] + λ j w j (3.33) Karena, j = 1,2,, m maka akan diperoleh m persamaan seperti Persamaan (3.33) untuk menentukan m bobot. Untuk memperoleh penyelesaian tunggal, Persamaan (3.33) ditulis dalam notasi vektor diperoleh, φ j T y = φ j T y + λ j w j (3.34) φ j [μ(x)] 1 y 1 y 1 φ φ j = j [μ(x)] 2 y 2 ; y = [ ] ; y = [ y 2 ] [ φ j [μ(x)] n ] y n y n φ T 1 y φ T 1 y λ 1 w 1 φ T 2 y φ = T 2 y λ + [ 2 w 2 ] [ φ T m y ] [ φ T m y] λ m w m φ T y = φ T y + Λw (3.35) 6
17 dengan λ 1 λ Λ = [ 2 ] λ m+1 dan φ = [φ 1 φ 2 φ m φ bias ] φ 1 [μ(x)] 1 φ φ = [ 1 [μ(x)] 2 φ 1 [μ(x)] n φ 2 [μ(x)] 1 φ 2 [μ(x)] 2 φ 2 [μ(x)] n φ m [μ(x)] 1 1 φ m [μ(x)] 2 1 ] 1 φ m [μ(x)] n 1 Matriks φ adalah matriks desain. Komponen ke-k dari y saat bobot pada nilai optimum adalah (Orr, 1996: 43), y k = m j=1 w j φ j [μ(x)] = φ kt w (3.36) dengan φ k = φ 1 [μ(x)] k φ 2 [μ(x)] k φ m [μ(x)] k [ 1 ] (3.37) Akibat φ j adalah salah satu kolom dari φ dan φ kt adalah satu baris dari φ. Oleh karena itu, berdasarkan Persamaan (3.36) diperoleh, y 1 φ 1T w y y = [ 2 ] = φ 2T w = φw (3.38) y n [ φ nt w ] Dengan mensubstitusikan Persamaan (3.38) ke Persamaan (3.35) diperoleh, φ T φw + Λw = φ T y (3.39) (φ T φ + Λ)w = φ T y (3.4) 61
18 w = (φ T φ + Λ) 1 φ T y (3.41) w = (φ T φ + λi m+1 ) 1 φ T y (3.42) Persamaan (3.42) merupakan bentuk persamaan normal untuk bobot-bobot optimum yang diperoleh dari metode global ridge regression. Selain itu, pada model FRBFNN 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 melibatkakan semua penyesuaian rata-rata mse (mean square error) pada data training (Orr, 1996: 2). Berikut ini rumus kriteria pemilihan model dengan GCV. 2 σ GCV = ny TP 2 y (3.43) (trace((p)) 2 dan P = I n φ(φ T φ) 1 φ T (3.44) φ n P y = matriks fungsi aktivasi = banyak data pengamatan = matriks proyeksi = vektor hasil variabel output 2) Estimasi Bobot Optimum menggunakan Algoritma Backpropagation Backpropagation merupakan algoritma pembelajaran terawasi (supervised learning). Pembelajaran backpropagation pada jaringan mampu mengatur bobotbobot jaringan sehingga diakhir pelatihan akan memberikan bobot yang baik. Pembelajaran backpropagation meliputi 3 fase. Fase pertama adalah fase maju 62
19 (feedforward). Pola masukan dihitung maju mulai dari lapisan input menuju lapisan output. Pada model FRBFNN yang menjadi lapisan input dalam pembelajaran backpropagation yaitu hasil fungsi aktivasi pada lapisan tersembunyi pada model FRBFNN. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan (error) yang terjadi. Fase ketiga adalah modifikasi bobot untuk menurunkan error yang terjadi. Berikut ini adalah algoritma backpropagation yang digunakan pada model FRBFNN: Langkah Langkah 1 : Inisialisasi semua bobot dengan bilangan acak terkecil. : Jika kondisi penghentian belum terpenuhi, maka lakukan langkah 2-7. Langkah 2 : Untuk setiap nilai fungsi aktivasi φ j pada lapisan tersembunyi lakukan langkah 3-6. Fase Maju: Langkah 3 : Setiap neuron input (φ j, j = 1,2,3,.., m) menerima sinyal dan meneruskan ke neuron pada lapisan output. Langkah 4 : Menghitung semua output jaringan di pada lapisan output (y k,k = 1,2,3,, n). y_in k = m j=1 φ j w j + w (3.45) y k = f(y_in k ) (3.46) Fase Mundur: Langkah 5 : Menghitung kesalahan (error) dari neuron output di masing-masing neuron output (y k,k = 1,2,3,, n) 63
20 δ k = (t k y k )f (y_in k ) (3.47) Menghitung perubahan bobot w j w j = αδ k φ j (3.48) Menghitung perubahan bobot w w = αδ k (3.49) dan mengirimkan δ k ke neuron pada lapisan tersembunyi. Memperbaharui Bobot dan Bias: Langkah 6 : setiap neuron output (y k,k = 1,2,3,..., n) memperbaharui bobot dan biasnya (k = 1,2,3,..., n), (j =,1,2,3,, m) w j (baru) = w j (lama) + w j (3.5) 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 64
21 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 R213a. 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 (x 1 ), contrast (x 2 ), correlation (x 3 ), inverse difference moment (x 4 ), entropy (x 5 ). Proses ekstraksi fitur ini dilakukan dengan menggunakan bantuan program Matlab R213a. 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, 213: 165): a. 6% keseluruhan data sebagai data training dan 4% keseluruhan data sebagai data testing, 65
22 b. 75% keseluruhan data sebagai data training dan 25% keseluruhan data sebagai data testing, c. 8% keseluruhan data sebagai data training dan 2% keseluruhan data sebagai data testing. 4. Menentukan Variabel Input dan Variabel Output Variabel input model Fuzzy Radial Basis Function Neural Network (FRBFNN) yang digunakan pada lapisan input fitur adalah 5 fitur hasil ekstraksi citra yang diperoleh dari metode GLCM yaitu, Energy (x 1 ), Contrast (x 2 ), Correlation (x 3 ), Inverse Difference Moment (x 4 ), Entropy (x 5 ). Sehingga banyak neuron pada lapisan input adalah 5 neuron. Variabel output pada model FRBFNN pada tugas akhir ini adalah hasil diagnosa citra radiography paru yaitu normal dan kanker. Sehingga banyak neuron pada lapisan output adalah 1 neuron. Target jaringan yang digunakan adalah diagnosa citra radiography paru yaitu normal dan kanker. 5. Pembelajaran Fuzzy Radial Basis Function Neural Network (FRBFNN) Pembelajaran FRBFNN terbagi menjadi 4 bagian. Pada bagian pertama, menentukan banyaknya neuron pada lapisan input fuzzy. Jumlah neuron pada lapisan input fuzzy ditentukan dengan melakukan proses fuzzifikasi. Pada proses fuzzifikasi dilakukan dengan menggunakan beberapa fungsi keanggotaan. Pada penelitian tugas akhir ini menggunakan fungsi keanggotan trapesium. Fungsi keanggotaan trapesium digunakan karena memberikan hasil terbaik dalam mendefinisikan himpunan fuzzy pada masing-masing input fitur. 66
23 Proses fuzzifikasi dilakukan pada masing-masing variabel input yaitu x 1, x 2, x 3,x 4, x 5. Pada langkah awal proses fuzzifikasi yaitu mengidentifikasi himpunan semesta dari x 1,x 2,x 3, x 4,x 5. Himpunan semesta pada variabel input yaitu nilai mininum dan nilai maksimum yang diperoleh dari 5 fitur hasil ekstraksi citra yang meliputi keseluruhan data training dan data testing. Setelah mengidentifikasi himpunan semesta pada variabel input, langkah selanjutnya yaitu menentukan parameter-parameter dari fungsi keanggotaan trapesium dan diperoleh derajat keanggotaan untuk tiap-tiap himpunan fuzzy. Masing-masing variabel input didefinisikan menjadi 3 himpunan fuzzy dengan fungsi keanggotaan trapesium. Proses mendefinisikan himpunan tegas ke himpunan fuzzy dilakukan dengan bantuan program Matlab R213a. function y = trapmf(x, params) dengan, y = bilangan fuzzy, y [ 1] x = bilangan crisp params = parameter-parameter pada fungsi keanggotaan trapesium (a, b, c, d) Pada bagian kedua, menentukan pusat dan jarak pada fungsi aktivasi gaussian. Penentuan pusat cluster dan jarak maksimum masing-masing cluster menggunakan metode K-Means Clustering. Metode K-Means Clustering dilakukan dengan menggunakan bantuan software Minitab. Pembelajaran FRBFNN pada bagian ketiga yaitu menentukan jumlah neuron pada lapisan tersembunyi. Jumlah neuron pada lapisan tersembunyi ditentukan 67
24 berdasarkan banyaknya cluster yang terbentuk pada metode K-Means Clustering. Pada lapisan tersembunyi FRBFNN menggunakan fungsi aktivasi, fungsi aktivasi yang digunakan berupa fungsi radial basis Gaussian. Pada tugas akhir ini aktivasi fungsi basis dilakukan dengan bantuan Matlab R213a. Berikut ini fungsi rbfdesign pada Matlab R213a. function H = rbfdesign(x, C, R, options) dengan, H X C R = matriks desain FRBFNN = matriks data input = matriks pusat cluster = matrisk jarak input terhadap pusat cluster options = tipe fungsi aktivasi Pada bagian keempat dari pembelajaran FRBFNN yaitu menentukan bobotbobot yang menghubungkan antara lapisan tersembunyi dan lapisan output. Pada tugas akhir ini menggunakan dua pendekatan dalam menentukan bobot-bobot tersebut. Pada pendekatan yang pertama menggunakan metode global ridge regression dengan pemilihan kriteria model menggunakan kriteria Global Cross- Validation (GCV). Metode global ridge regression dilakukan dengan bantuan Matlab R213a. Berikut ini fungsi globalridge pada Matlab 213a. function l = globalridge(h, T,.5) dengan, l H = parameter regulasi = matriks desain FRBFNN 68
25 T = matriks target data training.5 = nilai estimasi parameter regulasi Pada pendekatan yang kedua yaitu menggunakan algoritma backpropagation. Input yang digunakan pada algoritma backpropagation adalah nilai-nilai fungsi aktivasi pada lapisan tersembunyi. Pada algoritma backpropagation juga menggunakan suatu fungsi aktivasi. Jenis fungsi aktivasi yang digunakan adalah fungsi identitas. Sebelum melakukan pembelajaran backpropagation, parameterparameter pembelajaran perlu diatur terlebih dahulu. Terdapat beberapa fungsi pembelajaran yang dapat digunakan salah satunya adalah gradient descent with momentum and adaptive learning rate (traingdx). Berikut ini parameter yang harus diatur pada fungsi pembelajaran traingdx (Kusumadewi, 24: ): a. Maksimum Epoh Maksimum epoh adalah jumlah epoh maksimum yang dilakukan selama proses pembelajaran. Iterasi akan dihentikan apabila nilai epoh melebihi maksimum epoh. Perintah pada Matlab R213a adalah, net.trainparam.epochs=maxepoh Nilai maksimum epoh yang digunakan adalah 5. Pemilihan nilai maksimum epoh sebesar 5 untuk mempercepat proses pembelajaran. b. Kinerja Tujuan Kinerja tujuan adalah target nilai fungsi kinerja. Iterasi akan berhenti apabila nilai fungsi tujuan kurang dari atau sama dengan kinerja tujuan. Perintah pada Matlab R213a adalah net.trainparam.goal=targeterror 69
26 Nilai kinerja tujuan yang digunakan adalah Pemilihan nilai kinerja tujuan sebesar untuk memperoleh error model yang cukup kecil. c. Maksimum Kenaikan Kinerja Maksimum kenaikan kinerja adalah nilai maksimum kenaikan error yang diijinkan, antara error saat ini dan error sebelumnya. Jika perbandingan antara error pembelajaran yang baru dengan error pembelajaran lama melebihi maksimum kenaikan kinerja, maka bobot-bobot akan diabaikan. Sebaliknya, jika perbandingannya kurang dari maksimum kenaikan kinerja, maka bobot-bobot akan dipertahankan. Perintah pada Matlab R213a adalah net.trainparam.max_perf_inc=maxperfinc Nilai maksimum kenaikan kinerja yang digunakan adalah 1,. Pemilihan nilai maksimum kenaikan kinerja sebesar 1, untuk memperoleh bobot-bobot optimum. d. Learning rate Learning rate adalah laju pembelajaran. Semakin besar nilai learning rate akan berakibat pada semakin besarnya langkah pembelajaran. Jika learning rate diatur terlalu besar, maka algoritma akan menjadi tidak stabil. Perintah pada Matlab R213a adalah net.trainparam.lr=learningrate Nilai learning rate yang digunakan pada tugas akhir ini adalah,1. Pemilihan nilai learning rate sebesar,1 untuk memperoleh proses pembelajaran yang stabil. 7
27 e. Rasio untuk menaikkan learning rate Rasio ini berguna sebagai faktor pengali untuk menaikkan learning rate apabila learning rate yang ada terlalu rendah untuk mencapai kekonvergenan. Perintah pada Matlab R213a adalah net.trainparam.lr_inc=inclearningrate Nilai rasio yang digunakan adalah 1,2. Pemilihan nilai rasio kenaikan learning rate sebesar 1,2 untuk mencapai kekonvergenan yang lebih cepat. f. Rasio untuk menurunkan learning rate Rasio ini berguna sebagai faktor pengali untuk menurunkan learning rate, apabila learning rate yang ada terlalu tinggi dan menuju ketidakstabilan. Perintah pada Matlab R213a adalah net.trainparam.lr_dec=declearningrate Nilai rasio yang digunakan adalah,6. Pemilihan nilai rasio penurunan learning rate sebesar,6 untuk mencapai kekonvergenan yang lebih cepat. g. Momentum Momentum adalah konstanta yang mempengaruhi besarnya perubahan bobot, yang bernilai antara sampai 1. Jika nilai Momentum =, maka perubahan bobot hanya akan dipengaruhi oleh gradiennya. Jika nilai Momentum = 1, maka perubahan bobot akan sama dengan perubahan bobot selamanya. Perintah pada Matlab R213a adalah net.trainparam.mc=momentum Nilai momentum yang digunakan adalah,8. Pemilihan nilai momentum sebesar,8 untuk memperoleh bobot-bobot optimum. 71
28 h. Jumlah Epoh yang ditunjukkan Parameter ini menunjukkan berapa jumlah epoh berselang yang akan ditunjukkan kemajuannya. Perintah pada Matlab R213a adalah net.trainparam.show=epohshow Nilai epoh yang akan ditunjukkan kemajuannya adalah 5. Pemilihan nilai epoh yang ditunjukkan sebesar 5 untuk melihat perubahan error setiap 5 epoh yang telah dijalankan. 6. Menentukan Jaringan Optimum Jaringan optimum pada FRBFNN diperoleh dengan metode trial and error. Metode ini dilakukan untuk membandingkan nilai akurasi tertinggi yang diperoleh berdasarkan jumlah neuron pada lapisan tersembunyi. Jumlah neuron pada lapisan tersembunyi didapatkan dari banyaknya cluster yang digunakan pada metode K- Means clustering. Berdasarkan prosedur pendeteksian dini kanker paru menggunakan model FRBFNN adalah preprocessing citra radiography dengan cara melakukan operasi transformasi menggunakan filter high frequency emphasis dan histogram equalization. Selanjutnya, melakukan ekstraksi fitur dengan menggunakan metode Gray Level Co-occurrence Matrix (GLCM) untuk memperoleh 5 parameter sebagai input yaitu energy, contrast, correlation, inverse difference moment, dan entropy. Setelah itu, membagi data menjadi 2 bagian yaitu 8% dari keseluruhan data adalah data training dan 2% dari keseluruhan data adalah data testing. Variabel input yang digunakan adalah 5 parameter hasil ekstraksi fitur dan variabel output adalah diagnosa dari citra radiography. Pada pembelajaran FRBFNN terbagi menjadi 4 72
29 tahap, yaitu melakukan fuzzifikasi dari 5 parameter ekstraksi citra dengan menggunakan fungsi keanggotaan trapesium, menentukan nilai pusat dan jarak fungsi aktivasi gaussian dengan menggunakan K-Means clustering, menentukan jumlah neuron pada lapisan tersembunyi, dan menentukkan bobot-bobot jaringan dengan menggunakan dua pendekatan yaitu metode Global Ridge Regression dan algoritma Backpropagation, maka diperoleh diagram alir pada Gambar 3.2 untuk prosedur pemodelan FRBFNN dalam mendeteksi dini kanker paru sebagai berikut, Gambar 3.2 Diagram Alir Pemodelan FRBFNN 73
30 C. Hasil Model Fuzzy Radial Basis Function Neural Network (FRBFNN) dengan Preprocessing Citra untuk Deteksi Dini Kanker Paru Fuzzy Radial Basis Function Neural Network (FRBFNN) adalah salah satu model yang dapat digunakan untuk mendeteksi dini kanker paru. Pada tugas akhir ini menggunakan citra foto Radiography paru-paru yang diperoleh dari digital image database yang tersedia pada Japanese Society of Radiography Technology (JSRT). Masing-masing citra radiography berukuran 248x248 pixel dengan format Disk Image File (IMG). Data yang digunakan pada tugas akhir ini berjumlah 1 citra yang terdiri dari 48 citra radiography paru-paru normal dan 52 citra radiography paru-paru kanker untuk data selengkapnya terdapat pada Lampiran (1) halaman 115. Langkah-langkah mendeteksi dini kanker paru menggunakan model Fuzzy Radial Basis Function Neural Network (FRBFNN) adalah sebagai berikut. 1. Preprocessing Citra Preprocessing citra yang digunakan berupa pemotongan citra, kemudian mengubah citra ke bentuk citra grayscale selanjutnya melakukan preprocessing citra pada domain frekuensi menggunakan filter high frequency emphasis dan pada tahap akhir preprocessing citra dilakukan histogram equalization. Selain itu, karena format citra berupa Disk Image File (IMG) dibutuhkan program bantuan yaitu ImageJ untuk mengubah format citra ke bentuk Joint Photographic Experts Group (JPEG atau JPG). a. Pemotongan Citra Proses pemotongan citra radiography dilakukan dengan bantuan software Photoshop CS6. Hasil dari pemotongan citra radiography selengkapnya terdapat 74
31 pada Lampiran (1) halaman 115. Berikut ini adalah contoh hasil dari pemotongan citra yang dilakukan. (a) Gambar 3.3 Pemotongan citra radiography N1.jpg; (a) N1.jpg sebelum dipotong, (b) N1.jpg setelah dipotong b. Perbaikan kualitas citra Setelah melakukan pemotongan citra, citra yang telah dipotong akan dilakukan proses perbaikan kualitas citra. Proses ini meliputi filter high frequency emphasis dan histogram equalization. Script M-File Matlab R213a selengkapnya dapat dilihat pada Lampiran (2) halaman 12. Pada Gambar 3.4(a) menunjukkan hasil setelah dilakukan pemotongan citra dan pada Gambar 3.4(b) menunjukkan spektrum fourier pada citra (a). Sedangkan pada Gambar 3.6(a) merupakan citra hasil filter high frequency emphasis dan pada Gambar 3.7(a) merupakan citra hasil dilakukan histogram equalization. (b) (a) (b) (c) Gambar 3.4 Perbaikan kualitas citra radiography N1.jpg; (a) N1.jpg setelah dilakukan pemotongan citra; (b) Spektrum Fourier dari citra (a); (c) Histogram dari citra (a). 75
32 (a) (b) Gambar 3.5 Filter Highpass; (a) Filter Butterworth Highpass; (b) Filter High Frequency Emphasis (a) (b) (c) Gambar 3.6 Perbaikan kualitas citra radiography N1.jpg; (a) N1.jpg setelah dilakukan Filter High Frequency Emphasis; (b) Spektrum Fourier dari citra (a); (c) Histogram dari citra (a). (a) Gambar 3.7 Perbaikan kualitas citra radiography N1.jpg; (a) N1.jpg setelah dilakukan Histogram Equalization; (b) Histogram dari citra (a). 2. Ektraksi Fitur pada Citra Langkah selanjutnya setelah melakukan preprocessing citra radiography paru-paru adalah dilakukan ekstraksi fitur citra. Ekstraksi fitur yang digunakan adalah metode Gray Level Co-occurrence Matrix (GLCM). Proses ekstraksi citra dilakukan untuk memperoleh 5 parameter yang akan digunakan sebagai input pada jaringan. Script M-file Matlab R213a untuk ekstraksi citra ini terdapat pada (b) 76
33 Lampiran (2) halaman 12, sedangkan untuk hasil ektraksi fitur citra secara lengkap terdapat pada Lampiran (3) halaman 121. Berikut adalah contoh hasil ekstraksi fitur citra radiography N1.jpg yang ditunjukkan pada Tabel 3.4. Tabel 3.4 Hasil Ekstraksi Citra N1.jpg Nama File N1.jpeg Energy, Contrast,4992 Correlation, Inverse Difference Moment (IDM), Entropy 2, Pembagian Data Pada tugas akhir ini menggunakan pembagian data yaitu 8% dari data keseluruhan sebagai data training dan 2% dari data keseluruhan sebagai data testing. Oleh karena itu, dari 1 data radiography dibagi menjadi data training sebanyak 8 data dan data testing sebanyak 2 data. Hasil pembagian input terdapat pada Lampiran (4) halaman 125 dan Lampiran (5) halaman Menentukan Variabel Input dan Variabel Output Variabel input pada model FRBFNN yang digunakan adalah hasil 5 parameter yang diperoleh dari ekstraksi fitur citra radiography. Parameter yang digunakan sebagai input adalah Energy (x 1 ), Contrast (x 2 ), Correlation (x 3 ), Inverse Difference Moment (x 4 ), Entropy (x 5 ). Sehingga jumlah neuron pada lapisan input fitur sebanyak 5 neuron. Variabel output pada model FRBFNN yang digunakan adalah hasil diagnosa dari citra radiography paru-paru, yaitu dengan satu variabel output, sehingga jumlah neuron pada lapisan output adalah satu neuron. Target jaringan yang 77
34 digunakan adalah diagnosa masing-masing citra radiography yaitu normal dan kanker, sehingga target dan output jaringan yaitu 1 untuk diagnosa citra radiography normal, dan 2 untuk diagnosa citra radiography kanker. Variabel output menggunakan satu variabel yang dibagi menjadi 2 selang untuk penentuan hasil diagnosa dengan kriteria pengelompokkan sebagai berikut, a. Jika output (y k ) bernilai y k < 1,5 maka dianggap 1, sehingga hasil diagnosa normal. b. Jika output (y k ) bernilai y k 1,5 maka dianggap 2, sehingga hasil diagnosa kanker. 5. Pembelajaran FRBFNN Pada tahap awal pembelajaran FRBFNN adalah melakukan proses fuzzifikasi pada masing-masing input fitur. Fuzzifikasi input fitur menggunakan fungsi keanggotaan trapesium. Sebelum melakukan fuzzifikasi dari 5 input fitur, terlebih dahulu mengidentifikasi himpunan semesta (U) tiap-tiap input fitur. Selanjutnya, menentukan parameter-parameter pada masing-masing himpunan fuzzy. Hasil fuzzifikasi input fitur berupa derajat keanggotaan dari masing-masing himpunan fuzzy. Hasil selengkapnya untuk derajat keanggotaan masing-masing himpunan fuzzy terdapat pada Lampiran (6) halaman 13 dan Lampiran (7) halaman134. Berikut ini adalah himpunan semesta (U) dan himpunan fuzzy dari 5 input fitur. a. Energy (x 1 ) Himpunan semesta untuk input fitur energy (x 1 ) adalah nilai minimum dan nilai maksimum dari fitur energy yaitu,12417 dan,1166 maka himpunan semesta untuk fitur energy (x 1 ) adalah U x1 = [,12417,1166]. Input fitur 78
35 energy (x 1 ) didefinisikan menjadi 3 himpunan fuzzy yaitu A 1, A 2, dan A 3. Berikut ini 3 himpunan fuzzy untuk input fitur energy (x 1 ), ; x,9628 atau x,186 x,9628 ;,9628 < x <,117 μ A1 (x),117,9628 = 1;,117 x,131,186 x ;,131 < x <,186 {,186,131 ; x,131 atau x,1154 x,131 ;,131 < x <,186 μ A2 (x),186,131 = 1;,186 x,199,1154 x ;,199 < x <,1154 {,1154,199 ; x,199 atau x,1222 x,199 ;,199 < x <,1154 μ A3 (x),1154,199 = 1;,1154 x,1167,1222 x ;,1167 < x <,1222 {,1222,1167 Nilai fitur energy (x 1 ) berdasarkan hasil ekstraksi untuk citra N1.jpg adalah x 1 =, Maka, perhitungan derajat keanggotaan pada masing-masing himpunan fuzzy untuk fitur energy adalah sebagai berikut, μ A1 (,113547) = ; μ A2 (,113547) =,1154,113547,1154,199 =,336946; μ A3 (,113547) = ,199,1154,199 =,66354; b. Contrast (x 2 ) Himpunan semesta untuk input fitur contrast (x 2 ) adalah nilai minimum dan nilai maksimum dari fitur contrast yaitu,38619 dan,17859 maka himpunan 79
36 semesta untuk fitur contrast (x 2 ) adalah U x2 = [,38619,17859]. Input fitur contrast (x 2 ) didefinisikan menjadi 3 himpunan fuzzy yaitu B 1, B 2, dan B 3. Berikut ini 3 himpunan fuzzy untuk input fitur contrast (x 2 ), ; x,7461 atau x,6978 x,7461 ;,7461 < x <,3516 μ B1 (x),3516,7461 = 1;,3516 x,428,6978 x ;,428 < x <,6978 {,6978,428 ; x,428 atau x,144 x,428 ;,428 < x <,6978 μ B2 (x),6978,428 = 1;,6978 x,767,144 x ;,767 < x <,144 {,144,767 ; x,767 atau x,139 x,767 ;,767 < x <,144 μ B3 (x),144,767 = 1;,144 x,1113,139 x ;,1113 < x <,139 {,139,1113 Nilai fitur contrast (x 2 ) berdasarkan hasil ekstraksi untuk citra N1.jpg adalah x 2 =,4992. Maka, perhitungan derajat keanggotaan pada masingmasing himpunan fuzzy untuk fitur contrast adalah sebagai berikut, μ B1 (,4992) = μ B2 (,4992) =,6978,4992,6978,428 =,746848;,4992,428,6978,428 =,253152; μ B3 (,4992) = ; 8
37 c. Correlation (x 3 ) Himpunan semesta untuk input fitur correlation (x 3 ) adalah nilai minimum dan nilai maksimum dari fitur correlation yaitu, dan, maka himpunan semesta untuk fitur contrast (x 3 ) adalah U x3 = [,989876,996391]. Input fitur correlation (x 3 ) didefinisikan menjadi 3 himpunan fuzzy yaitu C 1, C 2, dan C 3. Berikut ini 3 himpunan fuzzy untuk input fitur correlation (x 3 ), ; x,9869 atau x,9928 x,9869 ;,9869 < x <,9896 μ C1 (x),9896,9869 = 1;,9896 x,992,9928 x ;,992 < x <,9928 {,9928,992 ; x,992 atau x,9961 x,992 ;,992 < x <,9928,9928,992 μ C2 (x) = 1;,9928 x,9935,9961 x ;,9935 < x <,9961 {,9961,9935 ; x,9935 atau x,9993 x,9935 ;,9935 < x <,9961 μ C3 (x),9961,9935 = 1;,9961 x,9967,9993 x ;,9967 < x <,9993 {,9993,9967 Nilai fitur correlation (x 3 ) berdasarkan hasil ekstraksi untuk citra N1.jpg adalah x 3 =, Maka, perhitungan derajat keanggotaan pada masingmasing himpunan fuzzy untuk fitur correlation adalah sebagai berikut, μ C2 (,995395) = μ C1 (,995395) = ;,995395,9935,9961,9935 =,271218; 81
38 μ C3 (,995395) = d. Inverse Difference Moment (x 4 ),9961,995395,9961,9935 =,728782; Himpunan semesta untuk input fitur inverse difference moment (x 4 ) adalah nilai minimum dan nilai maksimum dari fitur inverse difference moment yaitu, dan,99946 maka himpunan semesta untuk fitur contrast (x 4 ) adalah U x4 = [,998347,99946]. Input fitur inverse difference moment (x 4 ) didefinisikan menjadi 3 himpunan fuzzy yaitu D 1, D 2, dan D 3. Berikut ini 3 himpunan fuzzy untuk input fitur inverse difference moment (x 4 ), ; x,9979 atau x,9988 x,9979 ;,9979 < x <,9983 μ D1 (x),9983,9979 = 1;,9983 x,9984,9988 x ;,9984 < x <,9988 {,9988,9984 ; x,9984 atau x,9994 x,9984 ;,9984 < x <,9988,9988,9984 μ D2 (x) = 1;,9988 x,9989,9994 x ;,9989 < x <,9994 {,9994,9989 ; x,9989 atau x,9999 x,9989 ;,9989 < x <,9994,9994,9989 μ D3 (x) = 1;,9994 x,9995,9999 x ;,9995 < x <,9999 {,9999,9994 Nilai fitur inverse difference moment (x 4 ) berdasarkan hasil ekstraksi untuk citra N1.jpg adalah x 4 =, Maka, perhitungan derajat keanggotaan pada masing-masing himpunan fuzzy untuk fitur inverse difference moment adalah sebagai berikut, 82
39 e. Entropy (x 5 ) μ D2 (,999245) = μ D3 (,999245) = μ D1 (,999245) = ;,9994,999245,9994,9989 =,31533;,999245,9989,9994,9989 =,689467; Himpunan semesta untuk input fitur entropy (x 5 ) adalah nilai minimum dan nilai maksimum dari fitur entropy yaitu 2, dan 2, maka himpunan semesta untuk fitur entropy (x 5 ) adalah U x5 = [2, ,448185]. Input fitur entropy (x 5 ) didefinisikan menjadi 3 himpunan fuzzy yaitu E 1, E 2, dan E 3. Berikut ini 3 himpunan fuzzy untuk input fitur entropy (x 5 ), ; x 2,178 atau x 2,346 x 2,178 ; 2,178 < x < 2,252 μ E1 (x) 2,252 2,178 = 1; 2,252 x 2,271 2,346 x ; 2,271 < x < 2,346 { 2,346 2,271 ; x 2,271 atau x 2,439 x 2,271 ; 2,271 < x < 2,346 2,346 2,271 μ E2 (x) = 1; 2,346 x 2,364 2,439 x ; 2,364 < x < 2,439 { 2,439 2,364 ; x 2,364 atau x 2,532 x 2,364 ; 2,364 < x < 2,439 μ E3 (x) 2,439 2,364 = 1; 2,439 x 2,458 2,532 x ; 2,458 < x < 2,532 { 2,532 2,458 83
40 Nilai fitur entropy (x 5 ) berdasarkan hasil ekstraksi untuk citra N1.jpg adalah x 5 = 2,3533. Maka, perhitungan derajat keanggotaan pada masingmasing himpunan fuzzy untuk fitur contrast adalah sebagai berikut, μ E1 (2,3533) = μ E2 (2,3533) = 2,346 2,3533 2,346 2,271 =,66227; 2,3533 2,271 2,346 2,271 =,393773; μ E3 (2,3533) = ; Pada tahap kedua pembelajaran FRBFNN adalah proses pembelajaran tak terawasi (unsupervised learning). Proses pembelajaran tak terawasi pada model FRBFNN menggunakan metode K-Means Clustering. Setelah melakukan proses clustering akan diperoleh nilai pusat dan jarak maksimum dari masing-masing cluster. Nilai pusat dan jarak maksimum digunakan dalam perhitungan fungsi aktivasi pada lapisan tersembunyi. Nilai pusat dan jarak maksimum dari hasil proses K-Means Clustering terdapat pada Lampiran (8) halaman 135. Proses K- Means Clustering dilakukan dengan bantuan software Minitab. Selanjutnya, pada tahap ketiga pembelajaran FRBFNN adalah menentukan jumlah neuron pada lapisan tersembunyi. Jumlah neuron pada lapisan tersembunyi sama dengan jumlah cluster yang digunakan pada metode K-Means Clustering. Penentuan jumlah neuron pada lapisan tersembunyi secara trial and error. Pada tahap keempat pembelajaran FRBFNN adalah menentukan bobot-bobot yang menghubungkan neuron pada lapisan tersembunyi menuju lapisan output. FRBFNN akan melakukan pembelajaran terawasi (supervised learning) untuk memperoleh bobot optimal. Metode global ridge regression dan algoritma 84
41 backpropagation merupakan dua metode pembelajaran terawasi yang digunakan untuk menentukan bobot. Dari 2 metode pembelajaran terawasi yang digunakan akan dibandingkan dan hasil yang terbaik akan digunakan untuk menentukan bobot-bobot pada model FRBFNN. 6. 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 FRBFNN terbaik dalam mendeteksi dini kanker paru. Script M-file pemrograman Matlab R213a untuk model FRBFNN terdapat pada Lampiran (9) halaman 136 dan Lampiran (1) halaman 138. Pada tugas akhir penelitian ini juga akan membandingkan hasil deteksi dini kanker paru menggunakan model RBFNN dan FRBFNN. Berikut ini hasil nilai persentase akurasi dari proses model RBFNN dan FRBFNN, Tabel 3.5 Persentase Akurasi Model RBFNN Metode Global Ridge Regression Cluster Akurasi Training (%) Akurasi Testing (%) MSE Training MSE Testing 4 83,75 8,11262, ,5 8,1173,18525 *6 92,5 8,72531, ,25 75,7145, ,25 75,68169, ,25 8,6168, ,75 8,69247,
42 Cluster Akurasi Training (%) Akurasi Testing (%) MSE Training MSE Testing 11 88,75 8,66912, ,7342, ,67546, ,6737, ,25 8,73949, ,25 8,73949,21452 Keterangan: *) Model Terbaik Pada Tabel 3.5 yang merupakan hasil persentase akurasi model RBFNN metode global ridge regression, terlihat bahwa persentase akurasi model tertinggi terdapat pada cluster 6 yaitu 92,5% untuk data training dengan nilai MSE sebesar,72531 dan 8% untuk data testing dengan nilai MSE sebesar,1826. Berdasarkan Tabel 3.5 menunjukkan bahwa persentase akurasi data training mengalami peningkatan pada cluster 4 sampai dengan 6, namun mulai menunjukkan penurunan pada cluster 6 sampai dengan 11. Sedangkan, nilai persentase akurasi pada data testing tidak menunjukkan kenaikan ataupun penurunan yang signifikan pada cluster 4 sampai dengan 16. Pada model RBFNN metode global ridge regression nilai persentase akurasi data training dan testing terbaik diperoleh dengan cluster sebanyak 6, sehingga jaringan dengan jumlah neuron pada lapisan tersembunyi sebanyak 6 menghasilkan jaringan yang optimum. 86
43 Tabel 3.6 Persentase Akurasi Model RBFNN Metode Algoritma Backpropagation Cluster Akurasi Training (%) Akurasi Testing (%) MSE Training MSE Testing 4 83,75 8,11184, ,5 8,118,17966 *6 92,5 8,7196, ,25 75,69868, ,25 75,67838, ,25 8,6132, ,68512, ,66114, ,69298, ,66271, ,65775, ,25 8,72469, ,25 8,72469,21534 Keterangan: *) Model Terbaik Berdasarkan Tabel 3.6 yang merupakan hasil persentase akurasi model RBFNN metode algoritma backpropagation, terlihat bahwa persentase akurasi tertinggi terdapat pada cluster 6 yaitu 92,5% untuk data training dengan nilai MSE sebesar,7196 dan 8% untuk data testing dengan nilai MSE sebesar,183. Berdasarkan Tabel 3.6 menunjukkan bahwa persentase akurasi data training mengalami peningkatan pada cluster 4 sampai dengan 6, namun mulai menunjukkan penurunan pada cluster 6 sampai dengan 11. Sedangkan, nilai persentase akurasi pada data testing tidak menunjukkan kenaikan ataupun penurunan yang signifikan pada cluster 4 sampai dengan
44 Pada model RBFNN metode algoritma backpropagation nilai persentase akurasi data training dan testing terbaik diperoleh dengan cluster sebanyak 6, sehingga jaringan dengan jumlah neuron pada lapisan tersembunyi sebanyak 6 menghasilkan jaringan yang optimum. Pada Gambar 3.8 dan Gambar 3.9 menunjukkan grafik perbedaan MSE data training pada model RBFNN dan MSE data testing pada model RBFNN. Gambar 3.8 Perbedaan MSE Data Training pada Model RBFNN Gambar 3.9 Perbedaan MSE Data Testing pada Model RBFNN 88
45 Pada Gambar 3.8 menunjukkan bahwa nilai MSE data training dengan menggunakan metode algoritma backpropagation menunjukkan hasil yang lebih kecil dibandingkan menggunakan metode global ridge regression. Namun, berbeda pada Gambar 3.9 yang menunjukkan bahwa nilai MSE data testing dengan menggunakan algoritma backpropagation tidak dapat dikatakan bahwa menunjukkan hasil yang lebih kecil bila dibandingkan dengan metode global ridge regression. Selanjutnya pada Tabel 3.7 dan Tabel 3.8 menunjukkan hasil persentase akurasi model FRBFNN metode global ridge regression dan metode algoritma backpropagation sebagai berikut. Tabel 3.7 Persentase Akurasi Model FRBFNN Metode Global Ridge Regression Cluster Akurasi Training (%) Akurasi Testing (%) MSE Training MSE Testing 4 91,25 8,85354, ,5 75,8591, ,5 75,68988,22356 *7 93,75 8,66811, ,5 8,6656, ,5 65,23764, ,75 55,23834, ,5 5,24938, ,5 5,24938,2553 Keterangan: *) Model Terbaik Berdasarkan Tabel 3.7 yang merupakan hasil persentase akurasi model FRBFNN metode algoritma global ridge regression, terlihat bahwa persentase 89
BAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih terperinciBAB III PEMBAHASAN. arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk
BAB III PEMBAHASAN Bab III merupakan pembahasan yang meliputi proses penelitian yaitu arsitektur, prosedur, dan hasil model Radial Basis Function Neural Network untuk klasifikasi stadium kanker payudara,
Lebih terperinciDETEKSI DINI KANKER PARU DENGAN MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK (FRBFNN) DAN HIGH FREQUENCY EMPHASIS FILTER SKRIPSI
DETEKSI DINI KANKER PARU DENGAN MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK (FRBFNN) DAN HIGH FREQUENCY EMPHASIS FILTER SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciBAB III PEMBAHASAN. 1. Arsitektur Fuzzy Radial Basis Function Neural Network (FRBFNN) Fuzzy Radial Basis Function Neural Network (FRBFNN) merupakan
BAB III PEMBAHASAN A. Fuzzy Radial Basis Function (FRBFNN) 1. Arsitektur Fuzzy Radial Basis Function Neural Network (FRBFNN) Fuzzy Radial Basis Function Neural Network (FRBFNN) merupakan gabungan dari
Lebih terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Lebih terperinciBAB III PEMBAHASAN. A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium
BAB III PEMBAHASAN A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium Kanker Payudara Fuzzy Neural Network (FNN) adalah gabungan sistem fuzzy dengan Artificial Neural Network (ANN).
Lebih terperinciBAB III METODE PENELITIAN. sekunder berupa citra Magnetic Resonansi Image (MRI) yang diperoleh dari
BAB III METODE PENELITIAN Metode penelitian yang dilakukan pada penelitian ini adalah teknik pengumpulan data dan teknik analisis data. A. Teknik Pengumpulan Data Data yang digunakan pada penelitian ini
Lebih terperinciBAB IV PEMBAHASAN. Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil
BAB IV PEMBAHASAN Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil model Radial Basis Function Neural Network untuk diagnosa kanker otak, hasil klasifikasi, dan ketepatan hasil klasifikasinya.
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinciMODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA
MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA TUGAS AKHIR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciDisusun oleh: Aziza Ratna Kumala
PERBANDINGAN K-MEANS DAN FUZZY C-MEANS CLUSTERING PADA MODEL RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN) UNTUK KLASIFIKASI STADIUM KANKER PAYUDARA SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB III PEMBAHASAN. harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017.
BAB III PEMBAHASAN Data yang digunakan dalam bab ini diasumsikan sebagai data perkiraan harga minyak mentah di Indonesia dari bulan Januari 2007 sampai Juni 2017. Dengan demikian dapat disusun model Fuzzy
Lebih terperinciKLASIFIKASI STADIUM KANKER PAYUDARA MENGGUNAKAN MODEL FUZZY NEURAL NETWORK
KLASIFIKASI STADIUM KANKER PAYUDARA MENGGUNAKAN MODEL FUZZY NEURAL NETWORK SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta Sebagai Salah Satu Persyaratan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciPrediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 T - 12 Prediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciBAB I PENDAHULUAN. beberapa dekade ini. Kanker paru merupakan pertumbuhan sel-sel abnormal yang
BAB I PENDAHULUAN A. Latar Belakang Kanker paru telah menjadi salah satu kanker yang sering terjadi dalam beberapa dekade ini. Kanker paru merupakan pertumbuhan sel-sel abnormal yang tak terkendali pada
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciBAB III METODOLOGI PENELITIAN. Model sistem presensi biometri sidik jari yang dikembangkan secara garis
BAB III METODOLOGI PENELITIAN 3.1 Disain Penelitian Model sistem presensi biometri sidik jari yang dikembangkan secara garis besar terdiri atas bagian input, bagian proses, dan bagian output seperti gambar
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB I PENDAHULUAN. terkontrol pada jaringan paru. Munculnya kanker ditandai dengan
BAB I PENDAHULUAN A. Latar Belakang Kanker paru adalah penyakit pertumbuhan jaringan yang tidak dapat terkontrol pada jaringan paru. Munculnya kanker ditandai dengan pertumbuhan sel yang tidak normal,
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciKOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS
KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinci4.1. Pengumpulan data Gambar 4.1. Contoh Peng b untuk Mean imputation
4.1. Pengumpulan data Data trafik jaringan yang diunduh dari http://www.cacti.mipa.uns.ac.id:90 dapat diklasifikasikan berdasar download rata-rata, download maksimum, download minimum, upload rata-rata,
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciBAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH
BAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu data saham Astra Internasional Tbk tanggal 2 Januari
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih terperinciBAB VIIB BACKPROPAGATION dan CONTOH
BAB VIIB BACKPROPAGATION dan CONTOH 7B. Standar Backpropagation (BP) Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih terperinciBAB II DASAR TEORI. 2.1 Meter Air. Gambar 2.1 Meter Air. Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus
BAB II DASAR TEORI 2.1 Meter Air Gambar 2.1 Meter Air Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor,
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Sel Darah Merah Sel darah merah atau eritrositmemiliki fungsi yang sangat penting bagi kelangsungan hidup manusia. Sel darah merah mengandung hemoglobin yang berfungsi untuk
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK
IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK MENGENALI MOTIF BATIK Fany Hermawan Teknik Informatika Universitas Komputer Indonesia Jl. Dipatiukur 112-114 Bandung E-mail : evan.hawan@gmail.com
Lebih terperinciDeteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation
Deteksi Kanker Paru-Paru Dari Citra Foto Rontgen Menggunakan Jaringan Saraf Tiruan Backpropagation Tri Deviasari Wulan 1, Endah Purwanti 2, Moh Yasin 3 1,2 Program Studi Fisika Fakultas Sains dan Teknologi
Lebih terperinciKLASIFIKASI KANKER SERVIKS MENGGUNAKAN MODEL BACKPROPAGATION NEURAL NETWORK DAN PREPROCESSING CITRA DENGAN OPERASI SPASIAL
KLASIFIKASI KANKER SERVIKS MENGGUNAKAN MODEL BACKPROPAGATION NEURAL NETWORK DAN PREPROCESSING CITRA DENGAN OPERASI SPASIAL SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masin-masing komponen perangkat.
Lebih terperinciFUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ)
BAB 2 FUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ) Bab ini akan menjelaskan algoritma pembelajaran FNLVQ konvensional yang dipelajari dari berbagai sumber referensi. Pada bab ini dijelaskan pula eksperimen
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Pola Pengenalan pola (pattern recognition) adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur atau sifat
Lebih terperinciNeural Networks. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman
BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Antar Muka Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman judul perangkat lunak, form pelatihan jaringan saraf tiruan, form pengujian
Lebih terperinciBAB 1 PENDAHULUAN Latar belakang masalah
BAB 1 PENDAHULUAN 1.1. Latar belakang masalah Saluran pernapasan pada manusia terdiri dari rongga hidung, faring, laring, trakea, percabangan bronkus dan paru-paru (bronkiolus, alveolus). Paru-paru merupakan
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciDETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION
No Makalah : 299 Konferensi Nasional Sistem Informasi 2012, STMIK - STIKOM Bali 23-25 Pebruari 2012 DETEKSI JENIS KAYU CITRA FURNITURE UKIRAN JEPARA MENGGUNAKAN JST BACKPROPAGATION Ratri Dwi Atmaja 1,
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciKLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE
KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE KLASIFIKASI DATA MENGGUNAKAN JST BACKPROPAGATION MOMENTUM DENGAN ADAPTIVE LEARNING RATE Warih Maharani Fakultas
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciPENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana
PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing Tugas Ujian Sarjana. Penjelasan Learning Vector Quantization (LVQ) Learning
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan dan Praproses Data Kegiatan pertama dalam penelitian tahap ini adalah melakukan pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data sekunder
Lebih terperinciBAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.
33 BAB 4 DISAIN MODEL Disain model sistem identifikasi citra karang dirancang sedemikian rupa dengan tuuan untuk memudahkan dalam pengolahan data dan pembuatan aplikasi serta memudahkan pengguna dalam
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB III METODE PENELITIAN. Pemotong an Suara. Convert. .mp3 to.wav Audacity. Audacity. Gambar 3.1 Blok Diagram Penelitian
BAB III METODE PENELITIAN 3.1 Model Penelitian Penelitian yang dilakukan dapat dijelaskan melalui blok diagram seperti yang terlihat pada Gambar 3.1. Suara Burung Burung Kacer Burung Kenari Pengambil an
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 1 Edisi.,Volume,. Bulan.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Edisi.,Volume,. Bulan.. ISSN : 289-933 ANALISIS METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN SEL KANKER OTAK Novita Handayani Teknik Informatika
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Barcode Salah satu obyek pengenalan pola yang bisa dipelajari dan akhirnya dapat dikenali yaitu PIN barcode. PIN barcode yang merupakan kode batang yang berfungsi sebagai personal
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciBAB III METODELOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: a. Prosesor : Intel Core i5-6198du (4 CPUs), ~2.
BAB III METODELOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: 1. Hardware a. Prosesor : Intel Core i5-6198du CPU @2.30GHz (4 CPUs), ~2.40GHz b.
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciBAB II LANDASAN TEORI. titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
BAB II LANDASAN TEORI 2. Citra/Image Citra atau yang lebih sering dikenal dengan gambar merupakan kumpulan dari titiktitik penyusun citra itu sendiri. Titik-titik tersebut disebut dengan pixel. Banyaknya
Lebih terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciPERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP)
PERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP) Apriliyah, Wayan Firdaus Mahmudy, Agus Wahyu Widodo Program Studi Ilmu Komputer Fakultas MIPA Universitas
Lebih terperinciPENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK
PENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK Eko Budi Wahyono*), Suzuki Syofian**) *) Teknik Elektro, **) Teknik Informatika - Fakultas Teknik Abstrak Pada era modern
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Beban dan Prakiraan Beban Listrik Di dalam sebuah sistem kelistrikan terdapat 2 sisi yang sangat berbeda, yaitu sisi beban dan sisi pembangkitan. Pada sisi beban atau beban
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Clustering adalah proses di dalam mencari dan mengelompokkan data yang memiliki kemiripan karakteristik (similarity) antara satu data dengan data yang lain. Clustering
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI 3.1. Citra Digital Citra digital adalah suatu citra elektronik yang diambil dari dokumen, seperti foto, buku, maupun sebuah video. Proses perubahan citra analog menjadi citra digital
Lebih terperinciBAB 2 HEMISPHERIC STRUCTURE OF HIDDEN LAYER NEURAL NETWORK, PCA, DAN JENIS NOISE Hemispheric structure of hidden layer neural network
BAB 2 HEMISPHERIC STRUCTURE OF HIDDEN LAYER NEURAL NETWORK, PCA, DAN JENIS NOISE Bab ini akan menjelaskan tentang Hemispheric Structure Of Hidden Layer Neural Network (HSHL-NN), Principal Component Analysis
Lebih terperinciBAB III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu yang akan terjadi dimasa sekarang maupun yang akan datang. dikarena masa yang akan datang
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1
Lebih terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciPENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PENGENALAN POLA SIDIK JARI BERBASIS TRANSFORMASI WAVELET DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION 1 Andrian Rakhmatsyah 2 Sayful Hakam 3 Adiwijaya 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi
Lebih terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinciBAB I PENDAHULUAN. diatur di dalam otak sebagai pengendali utama tubuh manusia. Otak manusia
BAB I PENDAHULUAN A. Latar Belakang Manusia telah diciptakaan oleh Tuhan dalam bentuk kesempurnaan. Salah satu ciptaan yang menakjubkan adalah otak manusia dimana semua kecerdasaan diatur di dalam otak
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tabel 4.1 Kebutuhan Perangkat Keras. Perangkat Keras Spesifikasi Processor Intel Core i3. Sistem Operasi Windows 7
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuhan Sistem Sebelum melakukan penelitian dibutuhkan perangkat lunak yang dapat menunjang penelitian. Perangkat keras dan lunak yang digunakan dapat dilihat pada Tabel
Lebih terperinci