BAB III PEMBAHASAN. 1. Arsitektur Fuzzy Radial Basis Function Neural Network (FRBFNN) Fuzzy Radial Basis Function Neural Network (FRBFNN) merupakan
|
|
- Leony Kusuma
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 sistem fuzzy, Radial Basis Function (RBF) dan Neural Network (NN). FRBFNN adalah model RBFNN dengan input, bobot atau output yang berupa himpunan fuzzy. Pendekatan FRBFNN dibangun atas dasar meminimalkan kuadrat dari total perbedaan antara output pengamatan dan output perkiraan. (Pehlivan & Apaydin, 2016: 61). Prinsip model Fuzzy Radial Basis Function Neural Network (FRBFNN) mengacu pada model Radial Basis Function Neural Network (RBFNN). Arsitektur model RBFNN terdiri dari 3 lapisan, yaitu lapisan input (input layer), lapisan tersembunyi (hidden layer) dan lapisan output (output layer). Lapisan input menerima suatu vektor input x yang kemudian dibawa ke lapisan tersembunyi. Pada lapisan tersembunyi dilakukan transformasi nonlinear terhadap data dari lapisan input menggunakan fungsi basis radial sebelum diproses secara linear pada lapisan output (Wei et al, 2011:65). Hal tersebut menjadi salah satu acuan pada model FRBFNN. Namun, terdapat hal mendasar yang membedakan antara kedua model tersebut yaitu adanya penambahan proses fuzzifikasi nilai input pada input layer yang terdapat pada model FRBFNN. Pada tugas akhir ini hanya menggunakan satu neuron output, maka pada Gambar 3.1 berikut merupakan arsitektur jaringan dari model FRBFNN dengan 1 neuron output: 38
2 Output Layer y w 2 w 3 w 1 w r w 0 Hidden Layer φ 1 φ 2 φ 3 φ r 1 bias Input Layer: Fuzzy Input μ 1.1 (x 1 ) μ 2.1 (x 1 ) μ q.1 (x 1 ) μ 1.2 (x 2 ) μ 2.2 (x 2 ) μ q.2 (x 2 ) μ 1.p (x p ) μ 2.p (x p ) μ q.p (x p ) Input Layer: Crisp Input x 1 x 2 x p Gambar 3.1 Arsitektur Fuzzy Radial Basis Function Neural Network (FRBFNN) Berdasarkan Gambar 3.2, x 1, x 2,, x p adalah neuron pada lapisan input yang berupa bilangan crisp. μ 1.1 (x 1 ), μ 2.1 (x 1 ),, μ l.j (x l ),..., μ q.p (x p )adalah neuron pada lapisan input yang berupa bilangan fuzzy, φ 1, φ 2,, φ r adalah neuron pada lapisan tersembunyi dan y adalah neuron pada lapisan output, sedangkan w k adalah bobot pada lapisan tersembunyi dan lapisan output. Dalam arsitektur FRBFNN juga ditambahkan sebuah neuron bias pada lapisan tersembunyi. Bias tersebut berfungsi untuk membantu neural network dalam mengolah informasi dengan lebih baik. 39
3 2. Model Fuzzy Radial Basis Function Neural Network (FRBFNN) Model Fuzzy Radial Basis Function Neural Network (FRBFNN) mengacu pada model Radial Basis Function Neural Network (RBFNN) yang menggunakan fungsi basis sebagai fungsi aktivasi untuk setiap neuron pada lapisan tersembunyi. Beberapa fungsi radial basis adalah sebagai berikut (Andrew, 2002: 74). a. Fungsi Gaussian b. Fungsi Multikuadratik c. Fungsi Invers Multikuadratik d. Fungsi Cauchy φ[μ(x)] = exp ( (μ(x) c)2 r 2 ) (3.1) φ[μ(x)] = (μ(x) c) 2 + r 2 (3.2) φ[μ(x)] = r (μ(x) c) 2 +r r 2 (3.3) φ[μ(x)] = ((μ(x) c)2 +r 2 ) 1 r (3.4) dengan, r = jarak pada neuron tersembunyi dari variabel input ke cluster μ(x) = nilai input himpunan fuzzy c = nilai pusat pada neuron tersembunyi dari variabel input ke cluster φ[μ(x)] = fungsi aktivasi neuron tersembunyi Hasil output y yang dihasilkan dari model FRBFNN merupakan kombinasi linear dari bobot w k dengan fungsi aktivasi φ k [μ(x)] dan bobot bias w 0. Vektor output y dirumuskan sebagai berikut (Orr, 1996:11): r y = k=1 w k φ k [μ(x)] + w 0 φ 0 (3.5) 40
4 dengan, p q φ k [μ(x)] = exp ( (μ l.j(x j ) c k(l.j) ) 2 r k j=1 l=1 r 2 ) k = jarak maksimum pada cluster ke-k c k(l.j) = pusat cluster ke-k untuk nilai input fuzzy ke-l dan variabel ke-j w k w 0 = bobot dari neuron lapisan tersembunyi ke-k menuju neuron output = bobot bias dari neuron lapisan tersembunyi ke-k menuju neuron output φ 0 = fungsi aktivasi bias dimana nilainya adalah 1 φ k [μ(x)] = fungsi aktivasi neuron tersembunyi ke-k μ(x) = [μ 1.1 (x 1 ), μ 2.1 (x 1 ),, μ l.j (x l ),..., μ q.p (x p )] merupakan vektor input berupa himpunan fuzzy j l k = 1,2, p banyaknya variabel X = 1,2, q banyaknya himpunan fuzzy = 1,2, r banyaknya neuron pada hidden layer Karena φ 0 = 1 maka persamaan (3.5) dapat ditulis sebagai berikut: r y = k=1 w k φ k [μ(x)] + w 0 (3.6) Pada tugas akhir ini, fungsi keanggotaan yang digunakan yaitu fungsi keanggotaan segitiga, sedangkan fungsi basis sebagai fungsi aktivasi pada lapisan tersembunyi menggunakan fungsi basis Gaussian (persamaan 3.1) serta menggunakan fungsi aktivasi linear (persamaan 2.9) pada lapisan output. 3. Algoritma Pembelajaran Fuzzy Radial Basis Function Neural Network (FRBFNN) Konsep dasar dari model Fuzzy Radial Basis Function Neural Network (FRBFNN) ini adalah penerapan aplikasi teori fuzzy ke dalam model dasar 41
5 jaringan syaraf Radial Basis Function (RBF). Model Fuzzy Radial Basis Function Neural Network (FRBFNN) adalah model unsupervised-supervised learning (Chi & Hsu, 2001: 2808). Metode pembelajaran tidak terawasi (unsupervised learning) digunakan pada proses dari lapisan input menuju lapisan tersembunyi dan metode pembelajaran terawasi (supervised learning) digunakan pada proses yang terjadi dari lapisan tersembunyi menuju lapisan output (Chen et al, 2005: 323). Algoritma pembelajaran FRBFNN yang pertama adalah melakukan proses fuzzifikasi yaitu mengubah nilai input yang berupa bilangan crisp menjadi bilangan fuzzy. Selanjutnya dilakukan normalisasi terhadap data input hasil fuzzifikasi tersebut. Prosedur pembelajaran FRBFNN selanjutnya mengacu pada algoritma pembelajaran RBFNN yang terbagi menjadi tiga bagian, yaitu (Andrew, 2002: 80): a. Menentukan pusat dan jarak pada setiap fungsi basis. Pada penelitian ini, pusat dan jarak dari setiap fungsi basis dicari menggunakan metode K-means Clustering. Algoritma K-Means merupakan metode clustering yang pada awalnya mengambil komponen populasi untuk dijadikan pusat cluster awal. Pada tahap ini pusat cluster dipilih secara acak dari sekumpulan populasi data. Berikutnya K-Means menguji masing-masing komponen di dalam populasi data dan menandai komponen tersebut ke salah satu pusat cluster yang telah didefinisikan tergantung dari jarak minimum antar komponen dengan tiap-tiap cluster. Posisi pusat cluster akan dihitung kembali sampai semua komponen data digolongkan kedalam tiap-tiap pusat cluster dan terakhir akan terbentuk posisi pusat cluster yang baru (Metisen & Sari, 2015: 113). 42
6 Berikut ini adalah ilustrasi penggunaan algoritma K means untuk menentukan cluster dari 4 buah obyek dengan 2 atribut, seperti ditunjukkan dalam Tabel 3.1 berikut. Tabel 3. 1 Tabel Sampel Data Obyek Atribut 1 (X): Atribut 2 (Y): indeks berat ph Obat A 1 1 Obat B 2 1 Obat C 4 3 Obat D 5 4 Clustering akan dilakukan untuk membentuk 2 cluster jenis obat berdasarkan atributnya. Langkah langkah algoritma K Means clustering adalah sebagai berikut: 1) Penentuan nilai awal titik tengah Misalkan obat A dan obat B masing masing menjadi titik tengah (centroid) dari cluster yang akan dibentuk, sehingga diperoleh koordinat kedua centroid tersebut yaitu c 1 = (1,1) dan c 2 = (2,1). 2) Menghitung jarak obyek ke centroid dengan menggunakan rumus jarak Euclid Misal akan dihitung jarak obat D ke centroid pertama c 1 = (1,1) dan centroid kedua c 2 = (2,1) dengan menggunakan jarak Euclide seperti pada persamaan Berikut ini merupakan hasil perhitungannya: d(d, c 1 ) = (5 1) 2 + (4 1) 2 = 5 d(d, c 2 ) = (5 2) 2 + (4 1) 2 = 4,24 43
7 Proses perhitungan tersebut juga diterapkan untuk menghitung jarak obat A, B, C ke centroid pertama dan centroid kedua. Hasil perhitungan jarak ini disimpan dalam bentuk matriks k x n, dengan k banyaknya cluster dan n banyak obyek. Setiap kolom dalam matriks tersebut menunjukkan obyek sedangkan baris pertama menunjukkan jarak ke centroid pertama, baris kedua menunjukkan jarak ke centroid kedua. Matriks jarak setelah iterasi ke 0 adalah sebagai berikut: A B C D D 0 = [ 0 1 3, ,83 4,24 ] cluster 1 cluster 2 Gambar 3.2 berikut merupakan gambar ilustrasi untuk iterasi ke- 0 pada metode K-Means clustering. Atribut 2 (Y): ph A B C D A B C D Atribut 1 (X): indeks berat Gambar 3. 2 Gambar Ilustrasi untuk Iterasi 0 3) Clustering obyek: Memasukkan setiap obyek ke dalam cluster berdasarkan jarak minimumnya. Jadi obat A dimasukkan ke cluster 1, dan obat B, C dan D dimasukkan ke cluster 2. Keanggotaan obyek ke dalam cluster dinyatakan dengan matrik, elemen dari matriks bernilai 1 jika sebuah 44
8 obyek menjadi anggota grup. Berikut adalah matriks keanggotaan yang baru. A B C D G 0 = [ ] cluster 1 cluster 2 4) Iterasi-1, menentukan centroid: Berdasarkan anggota masing masing cluster, selanjutnya ditentukan centroid baru. Cluster 1 hanya berisi 1 obyek, sehingga centroidnya tetap c 1 = (1,1). Cluster 2 mempunyai 3 anggota, sehingga centroidnya ditentukan berdasarkan rata rata koordinat ketiga anggota tersebut: c 2 = ( , ) = ( 11, 8 ) ) Iterasi 1, menghitung jarak obyek ke centroid: selanjutnya, jarak antara centroid baru dengan seluruh obyek dalam cluster dihitung kembali sehingga diperoleh matriks jarak sebagai berikut: A B C D D 1 = [ 0 1 3,61 5 3,14 2,36 0,47 1,89 ] cluster 1 cluster 2 6) Iterasi 1, clustering obyek: langkah ke 3 diulang kembali, menentukan keanggotaan cluster berdasarkan jarak minimumnya. Berdasarkan matriks jarak yang baru, maka obat B harus dipindah ke cluster 2. Berikut adalah matriks keanggotaan yang baru. A B C D G 1 = [ ] cluster 1 cluster 2 Gambar 3.3 berikut merupakan gambar ilustrasi untuk iterasi ke- 1 pada metode K-Means clustering. 45
9 Atribut 2 (Y): ph Atribut 1 (X): indeks berat Gambar 3. 3 Gambar Ilustrasi untuk Iterasi 1 7) Iterasi 2, menentukan centroid: langkah ke 4 diulang kembali untuk menentukan centroid baru berdasarkan keanggotaan cluster yang baru. Cluster 1 dan cluster 2 masing masing mempunyai 2 anggota, sehingga centroidnya menjadi c 1 = ( 1+2 2, ) = (1 1 2, 1)dan c 2 = ( 4+5 2, ) = (4 1 2, ). 8) Iterasi 2, menghitung jarak obyek ke centroid : ulangi langkah ke 2, sehingga diperoleh matriks jarak sebagai berikut: A B C D D 2 0,5 0,5 3,20 4,61 = [ 4,30 3,54 0,71 0,71 ] cluster 1 cluster 2 9) Iterasi 2, clustering obyek: mengelompokkan tiap tiap obyek berdasarkan jarak minimumnya, diperoleh: A B C D G 2 = [ ] cluster 1 cluster 2 46
10 Gambar 3.4 berikut merupakan gambar ilustrasi untuk iterasi ke- 2 pada metode K-Means clustering. Atribut 2 (Y): ph Atribut 1 (X): indeks berat Gambar 3. 4 Gambar Ilustrasi untuk Iterasi 2 Hasil pengelompokkan pada iterasi terakhir dibandingkan dengan hasil sebelumnya, diperoleh G 1 = G 2. Hasil ini menunjukkan bahwa tidak ada lagi obyek yang berpindah cluster, dan algoritma telah stabil. Hasil akhir clustering ditunjukkan dalam Tabel 3.2 berikut: Tabel 3. 2 Hasil Clustering Obyek Atribut 1 (X): Atribut 2 (Y): indeks berat ph Hasil cluster Obat A Obat B Obat C Obat D b. Menentukan jumlah fungsi basis (neuron pada lapisan tersembunyi) dilakukan dengan metode trial and error. 47
11 c. Menentukan bobot output layer jaringan optimum. Bobot output layer jaringan optimum ditentukan dengan menggunakan metode global ridge regression. Metode global ridge digunakan untuk mengestimasi bobot dengan cara menambahkan parameter regulasi yang bernilai positif pada sum square error (SSE). Estimasi bobot terbaik didapatkan dari hasil akhir dengan SSE terkecil. Untuk mendapatkan SSE terkecil, dilakukan metode untuk meminimalkan SSE yaitu dengan metode kuadrat terkecil (least square) yang bertujuan mempermudah dalam penyelesaian masalah optimum. Pada tugas akhir ini metode least square yang digunakan untuk menentukan nilai bobot dengan menghasilkan akurasi maksimum. Model linear yang digunakan adalah y = perumusan dari metode least square: dengan, r k=1 w k i = 1,2,, n banyaknya data pengamatan y i = nilai klasifikasi variabel output ke-i y i = target output ke-i φ k [μ(x)] + w 0. Berikut adalah SSE = n i=1 (y i y i) 2 (3.7) Untuk menentukan nilai optimum bobot (w k ), dapat ditentukan dengan cara menurunkan SSE terhadap bobot-bobotnya, sehingga diperoleh: SSE n = 2 w i=1(y i k Berdasarkan persamaan (3.6) diperoleh: y i) y w k (3.8) y w k = φ k [μ(x)] (3.9) 48
12 Persamaan (3.9) disubstitusikan ke persamaan (3.8) dengan hasil sama dengan nol, sehingga diperoleh: n 2 i=1(y i y i)φ k [μ(x)] = 0 (3.10) n n 2 i=1 y i φ k [μ(x)] = 2 i=1 y i φ k [μ(x)] (3.11) n n i=1 y i φ k [μ(x)] = i=1 y i φ k [μ(x)] (3.12) Karena k = 1,2,...,r maka diperoleh r persamaan seperti (3.12) untuk menentukan r bobot. Untuk memperoleh penyelesaian tunggal, persamaan (3.12) ditulis dengan notasi vektor, sehingga diperoleh: dengan, φ k [μ(x)] 1 y 1 y 1 φ φ k = [ k [μ(x)] 2 y 2 y 2 ], y = [ ], y = [ ] φ k [μ(x)] n y n y n φ k T y = φ k T y (3.13) Karena terdapat r persamaan untuk setiap nilai k, maka persamaan (3.13) dapat ditulis sebagai berikut: dengan, φ = [φ 1 φ 2 φ r φ bias ] φ T 1 y φ T 1 y φ T 2 y = φ T 2 y [ φ T r y] [ φ T r y ] φ 1 [μ(x)] 1 φ 2 [μ(x)] 1 φ r [μ(x)] 1 1 φ φ = [ 1 [μ(x)] 2 φ 2 [μ(x)] 2 φ r [μ(x)] 2 1 ] 1 φ 1 [μ(x)] n φ 2 [μ(x)] n φ r [μ(x)] n 1 φ T y = φ T y (3.14) 49
13 Matriks φ merupakan matriks fungsi aktivasi. Komponen ke-i dari y saat bobot pada nilai optimum adalah (Orr, 1994: 43): dengan, r y i = k=1 w k φ k [μ(x)] = φ it w (3.15) φ 1 [μ(x)] 1 φ 2 [μ(x)] 2 φ i = φ r [μ(x)] n [ 1 ] Akibat φ k adalah salah satu kolom dari φ dan φ it adalah salah satu baris dari φ. Oleh karena itu, berdasarkan persamaan (3.15) diperoleh: y 1 φ T 1 w y 2 y = [ ] = φ T 2 w = φw (3.16) y n [ φ T n w ] Persamaan (3.16) disubstitusikan ke persamaan (3.14) menjadi: φ T y = φ T y (3.17) φ T φw = φ T y (3.18) Jika nilai invers dari φ T φ dapat ditentukan, maka nilai bobot optimum dapat dicari dengan: w = (φ T φ) 1 φ T y (3.19) w = A 1 φ T y (3.20) w merupakan nilai bobot dan A adalah matriks perkalian φ T dengan φ. Selanjutnya ditambahkan parameter regulasi yang bernilai positif pada SSE sehingga diperoleh fungsi (Orr, 1996: 24): n r C = (y i y i) 2 + λ 2 i=1 k=1 w k (3.21) 50
14 dengan, y i = nilai klasifikasi variabel output ke-i y i = target output ke-i i = 1,2,, n banyaknya data pengamatan λ = parameter regulasi w k = bobot dari neuron lapisan tersembunyi ke-k menuju neuron output Bobot yang optimum diperoleh dengan mendiferensialkan persamaan (3.21) dengan variabel bebas yang kemudian ditentukan penyelesaiannya untuk diferensial sama dengan nol, maka didapatkan (Orr, 1996: 41-43): C n = 2 (y w i y ) y i i=1 i + 2 λw k w k (3.22) k C n n y = 2 y i w i=1 i 2 y y i k w i=1 i + 2λw k (3.23) k w k Substitusikan C w k = 0 pada persamaan (3.23) sehingga diperoleh: n n y 2 y i i=1 i 2 y y i w i=1 i + 2λw k = 0 (3.24) k n w k y y i i=1 i y y i i=1 i + λw k = 0 (3.25) n w k n w k y y i i=1 i λw k = y y i i=1 i (3.26) w k + Misalkan y i w k = φ k [μ(x)], maka didapatkan: n w k n n i=1 y i φ k [μ(x)] + λw k = i=1 y φ i k [μ(x)] (3.27) sehingga dalam notasi vektor adalah sebagai berikut: φ k T y + λw k = φ k T y (3.28) 51
15 Dengan, φ k [μ(x)] 1 y 1 y 1 φ φ k = [ k [μ(x)] 2 y 2 y 2 ], y = [ ], y = [ ] φ k [μ(x)] n y n y n Terdapat r persamaan untuk setiap nilai k, maka persamaan (3.28) dapat ditulis sebagai berikut: dengan, λ = parameter regulasi w = vektor bobot klasifikasi y = vektor target klasifikasi φ T 1 y λw 1 φ T 1 y φ T 2 y λw 2 + [ ] = φ T 2 y [ φ T r y] λw r [ φ T r y ] φ T y + λw k = φ T y (3.29) φ = Matriks fungsi aktivasi dengan {φ k } r k=1 sebagai kolom y = perkalian matriks fungsi aktivasi dan vektor bobot Matriks φ merupakan matriks fungsi aktivasi. Komponen ke-i dari y saat bobot pada nilai optimum adalah (Orr, 1994: 43): dengan, r y[μ(x)] i = w kφ k [μ(x)] i = φ it k=1 w (3.30) φ 1 [μ(x)] 1 φ 2 [μ(x)] 2 φ i = φ r [μ(x)] n [ 1 ] 52
16 y 1 φ 1T w y 2 y = [ ] = φ 2T w y n [ φ nt w ] = φw (3.31) Berdasarkan definisi-definisi yang telah disebutkan di atas diperoleh: φ T y = φ T y + λw (3.32) = φ T φw + λw = (φ T φ + λ)w Jadi diperoleh perasamaan normal untuk bobot pengklasifikasian sebagai berikut: w = (φ T φ + λi n ) 1 φ T y (3.33) Metode Global Ridge Regression digunakan untuk menentukan estimasi bobot optimum. Pada tugas akhir ini, kriteria pemilihan model digunakan yaitu kriteria Generalised Cross-Validation (GCV) untuk menghitung prediksi error. Rumus untuk kriteria GCV adalah sebagai berikut (Orr, 1996: 20). dengan, P = I n φ(φ T φ) 1 φ T n = banyak data P = matriks proyeksi y = vektor target klasifikasi 2 σ GCV = ny TP 2 y (3.34) (trace (P)) 2 53
17 B. Prosedur Pemodelan Fuzzy Radial Basis Function Neural Network (FRBFNN) untuk Klasifikasi Kanker Payudara Berikut adalah prosedur pemodelan Fuzzy Radial Basis Function Neural Network (FRBFNN) untuk klasifikasi stadium kanker payudara pada data Wisconsin Breast Cancer Database (WBCD) dan data Wisconsin Diagnostic Breast Cancer (WDBC): 1. Menentukan Variabel Input dan Output Variabel input yang digunakan dalam tugas akhir ini adalah nilai-nilai variabel hasil Fine-needle Aspirate (FNA) biopsy payudara yang diperoleh dari University of Wisconsin Hospital. Banyaknya variabel input menentukan banyaknya neuron pada lapisan input. Sedangkan target jaringan atau output berupa klasifikasi atau diagnosa dari kanker payudara. Klasifikasi kanker payudara pada tugas akhir ini menggunakan target jaringan, yaitu 0 untuk benign (tumor) dan 1 untuk malignant (kanker). Banyaknya variabel output akan menentukan banyaknya neuron pada lapisan output. 2. Pembagian Data Training dan Testing Setelah dilakukan penentuan variabel input dan output, selanjutnya data input dibagi menjadi dua, yaitu data pembelajaran (training) dan data pengujian (testing). Data training digunakan untuk mencari model terbaik, sedangkan data testing digunakan untuk menguji ketepatan model hasil data training. 54
18 Terdapat beberapa perbandingan dalam pembagian data menjadi data training maupun testing yang sering digunakan, antara lain (Deb Rajib et al, 2015): a. 60% untuk data training dan 40% untuk data testing. b. 75% untuk data training dan 25% untuk data testing. c. 80% untuk data training dan 20% untuk data testing. Pada tugas akhir ini, menggunakan pembagian data 80% untuk data training dan 20% untuk data testing. 3. Pembelajaran Fuzzy Radial Basis Function Neural Network (FRBFNN) Berikut merupakan langkah-langkah dalam pembelajaran FRBFNN: a. Melakukan proses fuzzifikasi pada nilai input Variabel input diperoleh dari hasil fuzzifikasi terhadap variabel yang diperoleh dari data Wisconsin Breast Cancer Database (WBCD) dan Wisconsin Diagnostic Breast Cancer (WDBC). Proses fuzzifikasi pada tugas akhir ini menggunakan fungsi keanggotaan segitiga (Persamaan 2.5) dengan 3 himpunan fuzzy. Hasil dari proses fuzzifikasi tersebut selanjutnya disebut sebagai derajat keanggotaan. Derajat keanggotaan digunakan sebagai input pada proses pembelajaran model FRBFNN. b. Menormalisasi data Setelah diperoleh data input fuzzy dari proses fuzzifikasi, langkah selanjutnya adalah data harus dinormalisasi terlebih dahulu. Normalisasi data merupakan penskalaan terhadap data-data input sehingga data input masuk dalam satu range tertentu, sehingga data input menjadi lebih seragam. Data tersebut 55
19 dibawa ke bentuk normal yang memiliki mean = 0 dan standar deviasi = 1. Menurut Samarasinghe (2007: ), pendekatan sederhana untuk normalisasi data adalah dengan bantuan mean dan standar deviasi sebagai berikut: 1) Perhitungan nilai rata-rata n x l.j = 1 [μ n i=1 l.j(x j )] i (3.38) dengan x l.j adalah rata-rata nilai data pada himpunan fuzzy ke-l dan variabel ke-j [μ l.j (x j )] i adalah nilai input fuzzy pada data ke-i, himpunan fuzzy ke-l dan variabel ke-j i j l = 1,2,, n banyaknya data. = 1,2, p banyaknya variabel X = 1,2, q banyaknya himpunan fuzzy 2) Perhitungan nilai varians dengan s 2 l.j = 1 n ([μ n 1 i=1 l.j(x j )] i x l.j) 2 (3.39) s 2 l.j adalah nilai varians data pada himpunan fuzzy ke-l dan variabel ke-j [μ l.j (x j )] i adalah nilai input fuzzy pada data ke-i, himpunan fuzzy ke-l dan variabel ke-j i j l = 1,2,, n banyaknya data. = 1,2, p banyaknya variabel X = 1,2, q banyaknya himpunan fuzzy 3) Perhitungan normalisasi [μ l.j (x j )] i = [μ l.j(x j )] i x l.j s l.j (3.40) 56
20 dengan s l.j adalah nilai standar deviasi data pada himpunan fuzzy ke-l dan variabel ke-j x l.j adalah rata-rata nilai data pada himpunan fuzzy ke-l dan variabel ke-j [μ l.j (x j )] i adalah nilai input fuzzy pada data ke-i, himpunan fuzzy ke-l dan variabel ke-j Pada MATLAB, normalisasi dengan mean dan standar deviasi menggunakan perintah prestd yang akan membawa data ke dalam bentuk normal dengan mean = 0 dan standar deviasi =1 dengan syntax: [Pn,meanp,stdp,Tn,meant,stdt]=prestd(P,T); (3.41) dengan, P T Pn Tn = matriks data input, = matriks data target, = matriks data input yang telah dinormalisasi, = matriks data target yang telah dinormalisasi, Meanp = rata-rata pada matriks data input sebelum dinormalisasi, Stdp = standar deviasi pada matriks data input sebelum dinormalisasi, Meant = rata-rata pada matriks target sebelum dinormalisasi, Stdt = standar deviasi pada matriks target sebelum dinormalisasi. c. Menentukan pusat dan jarak dari setiap fungsi basis. Dalam tugas akhir ini, metode yang digunakan dalam menentukan pusat dan jarak dari setiap fungsi basis yaitu menggunakan metode K-means clustering. Dalam proses pengelompokkan data (clustering), sebelumnya ditentukan nilai 57
21 suatu jarak untuk mengukur kemiripan dari objek-objek yang diamati. Jarak yang umumnya digunakan yaitu jarak Euclide. Semakin kecil nilai jarak Euclide, semakin tinggi tingkat kemiripan, begitu pula sebaliknya, semakin besar nilai jarak Euclide maka semakin rendah tingkat kemiripannya. Setelah ukuran kemiripan ditemukan, maka dapat dilakukan pengelompokan (Brodjol, 2008). K-Means merupakan salah satu metode clustering non hierarchy yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster/kelompok. Metode ini mempartisi data ke dalam cluster/kelompok sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain (Agusta, 2007: 47). Algoritma metode K-Means clustering adalah sebagai berikut (Johnson & Wichern, 2007: 696): 1) Partisi data kedalam K cluster 2) Tempatkan setiap data/obyek ke cluster terdekat. Kedekatan dua obyek ditentukan berdasarkan jarak kedua obyek tersebut. Jarak biasanya dihitung dengan menggunakan jarak Euclide. Persamaan jarak Euclide antara dua titik sebarang P dan Q dengan koordinat P (x 1, x 2,, x n )dan Q (y 1, y 2,, y m )adalah sebagai berikut: d(p, Q) = (x 1 y 1 ) 2 + (x 2 y 2 ) (x n y n ) 2 (3.42) Hitung ulang nilai pusat untuk cluster yang menerima data baru dan cluster yang kehilangan data. 58
22 3) Ulangi langkah ke-2 sampai nilai pusat lama sama dengan nilai pusat baru (stabil). Menurut Zhang dan Fang (2013: 194), metode K-Means clustering memiliki beberapa keunggulan antara lain yaitu: algoritma K-Means merupakan algoritma klasik untuk menyelesaikan masalah pengelompokkan sehingga algoritma ini relatif sederhana dan cepat; untuk data yang besar, algoritma ini relatif fleksibel dan efisien; serta dapat memberikan hasil yang relatif baik. Sedangkan kelemahan dari metode K-Means clustering dikemukakan oleh Berkhin (2002: 27) yang menyebutkan bahwa metode K-Means clustering sangat bergantung pada pemilihan nilai awal centroid, tidak jelas berapa banyak cluster K yang terbaik dan hanya bekerja pada atribut numerik. Metode K-means ini mengelompokkan data input menjadi beberapa kelompok atau kluster sehingga nilai pusat dan varians setiap kluster dapat dihitung. Pusat cluster adalah rata-rata (mean) kluster tersebut. Banyak neuron pada lapisan tersembunyi sesuai dengan banyak cluster yang terdapat pada pengelompokan menggunakan K-means clustering. d. Menentukan jumlah fungsi basis neuron pada lapisan tersembunyi. Pada lapisan tersembunyi metode RBFNN, dilakukan aktivasi fungsi basis. Dalam tugas akhir ini, aktivasi fungsi basis dilakukan dengan aplikasi Matlab dengan menggunakan program rbfdesign (Sutijo, 2006:156). Program untuk rbfdesign dilampirkan pada Lampiran 13 halaman 210. Cuplikan dari Program rbfdesign adalah sebagai berikut: Function H = rbfdesign(x,c,r,option) (3.43) 59
23 dengan, H = matriks desain RBFNN X = matriks input C = matriks pusat cluster R = matriks jarak masing-masing input terhadap pusat cluster Option = tipe aktivasi fungsi basis Tipe aktivasi yang digunakan pada tugas akhir ini adalah fungsi Gaussian dengan b yaitu neuron bias yang ditambahkan pada jaringan, sehingga matriks φ akan mendapatkan satu kolom tambahan. e. Menentukan bobot dari lapisan tersembunyi ke lapisan output. Digunakan metode global ridge-regression untuk mendapatkan bobot yang optimum. Pada tugas akhir ini penentuan bobot dengan metode global ridgeregression dilakukan dengan menggunakan aplikasi Matlab menggunakan metode global ridge (Sutijo, 2006:169). Program untuk global ridge dilampirkan pada Lampiran 14 halaman 212. Berikut adalah sebagian fungsi pada program global ridge. lamb = globalridge(h,t,0.05) (3.44) dengan, lamb = parameter regulasi H T = matriks desain RBFNN = target data input training 0.05 = nilai estimasi parameter regulasi 60
24 4. Menentukan Jaringan Optimum Jaringan optimum pada FRBFNN didapatkan dengan metode trial and error. Metode ini dilakukan dengan cara menentukan hasil klasifikasi yang didapatkan menggunakan beberapa cluster yang berbeda. Model FRBFNN terbaik adalah model dengan suatu cluster tertentu yang memiliki hasil akurasi tertinggi baik pada data training maupun testing. 5. Klasifikasi Langkah terakhir pada prosedur pemodelan FRBFNN adalah pengklasifikasian. Berdasarkan hasil output yang didapatkan, masing-masing pengamatan dapat diklasifikasikan sesuai target stadium kanker payudara. Berdasarkan prosedur pemodelan FRBFNN untuk klasifikasi stadium kanker payudara yang telah dijelaskan sebelumnya, dapat dibuat diagram prosedur pemodelan FRBFNN. Pada gambar 3.5 berikut merupakan diagram prosedur pemodelan FRBFNN. 61
25 Mulai Menentukan Variabel Input dan Output Pembagian Data Training dan Testing Pembelajaran RBFNN Menentukan Jaringan Optimum Jaringan Optimum Hasil jelek Akurasi Hasil baik Model FRBFNN Terbaik Hasil Klasifikasi Kanker Payudara Selesai Gambar 3. 5 Diagram Alur Model FRBFNN C. Hasil Model Fuzzy Radial Basis Function Neural Network (FRBFNN) untuk Klasifikasi Stadium Kanker Payudara Langkah-langkah klasifikasi stadium kanker payudara menggunakan model Fuzzy Radial Basis Function Neural Network dengan menggunakan data Wisconsin Breast Cancer Database (WBCD) dan data Wisconsin Diagnostis Breast Cancer (WDBC) adalah sebagai berikut. 62
26 1. Menentukan variabel input dan variabel output Penentuan variabel input pada model FRBFNN didasarkan pada hasil fuzzifikasi terhadap data WBCD dan WDBC yang diperoleh. Sedangkan Variabel output dari model FRBFNN pada tugas akhir ini adalah klasifikasi stadium kanker payudara. Output yang diharapkan pada data WBCD dan WDBC adalah sama yaitu benign (tumor) dan malignant (kanker). Penentuan output model FRBFNN adalah berdasarkan hasil klasifikasi yang didapatkan yang berupa bilangan decimal. Pengklasifikasian dilakukan dengan membulatkan bilangan desimal tersebut dengan kriteria sebagai berikut: 1) Jika -0.5< y < 0,5 maka dibulatkan menjadi 0, sehingga hasil klasifikasi adalah benign (tumor). 2) Jika 0,5 y 1,5 maka dibulatkan menjadi 1, sehingga hasil klasifikasi adalah malignant (kanker). a. Wisconsin Breast Cancer Database (WBCD) Data dari Wisconsin Breast Cancer Database atau WBCD diperoleh dari ftp://ftp.cs.wisc.edu/math-prog/cpo-dataset/machine-learn/cancer. Database tersebut terdiri dari 9 karakteristik dari sel payudara dan 2 atribut lainnya, yaitu nomer id dari setiap pasien dan kelas label yang sesuai dengan jenis kanker payudara (jinak atau ganas). Nilai karakteristik sel berada dalam rentang dari 1 sampai 10, dimana 1 menunjukkan nilai terdekat dengan benign sedangkan 10 merupakan nilai tertinggi dan termasuk kategori malignant. Kesembilan karakteristik tersebut terdiri dari clump thickness, uniformity of cell size, uniformity of cell shape, marginal adhesion, single epithelial cell 63
27 size, bare nuclei, bland chromatin, normal nucleoli dan mitoses. Pada tugas akhir ini, data yang dipilih untuk digunakan dalam model FRBFNN yaitu sebanyak 100 data pada kelas benign dan 100 data pada kelas malignant. b. Wisconsin Diagnostic Breast Cancer (WDBC) Data dari Wisconsin Diagnostic Breast Cancer atau WDBC diperoleh dari Data tersebut terdiri dari 10 variabel yang diperoleh dari hasil tes biopsy Fine-needle Aspirate (FNA) pada gambar digital massa payudara dan 2 atribut lainnya yang terdiri dari nomer id pasien dan hasil diagnosis (benign atau malignant). Pada tugas akhir ini, data yang dipilih untuk digunakan dalam model FRBFNN yaitu sebanyak 100 data pada kelas benign dan 100 data pada kelas malignant. Variabel-variabel yang digunakan yaitu Radius, Texture, Perimeter, Area, Smoothness, Compactness, Concavity, Concave Points, Symmetry dan Fractal Dimension. 2. Pembagian Data Training dan Testing Ukuran pembagian data yang digunakan dalam tugas akhir ini untuk data Wisconsin Breast Cancer Database (WBCD) dan Wisconsin Diagnostic Breast Cancer (WDBC) adalah sama, yaitu 80% untuk data training dan 20% untuk data testing. Oleh karena itu, dari 100 data yang telah dipilih sebelumnya yang terdiri dari 50 data dengan klasifikasi benign (tumor) dan 50 data dengan klasifikasi malignant (kanker) dibagi menjadi data training sebanyak 80 data dan data testing sebanyak 20 data. Hasil pembagian input terlampir pada Lampiran 1 halaman 111 untuk data training WBCD dan Lampiran 2 halaman 64
28 118 untuk data testing WBCD. Sedangkan hasil pembagian input pada data WDBC terlampir pada Lampiran 3 halaman 120 untuk data training dan Lampiran 4 halaman 126 untuk data testing. 3. Pembelajaran Fuzzy Radial Basis Function Neural Network Proses pembelajaran FRBFNN yang pertama yaitu mengubah bilangan crisp pada input layer menjadi bilangan fuzzy atau yang biasa disebut proses fuzzifikasi. Berikut merupakan pembelajaran FRBFNN pada proses fuzzifikasi: a. Wisconsin Breast Cancer Database (WBCD) Berdasarkan data WBCD didapatkan 9 variabel, maka banyaknya neuron pada input layer adalah 9 neuron yang berupa bilangan crisp. Selanjutnya dilakukan proses fuzzifikasi dimana pada tugas akhir ini proses fuzzifikasi menggunakan fungsi keanggotaan representasi kurva segitiga (Persamaan 2.5) dengan 3 himpunan fuzzy. Derajat keanggotaan input FRBFNN dapat dicari dengan menggunakan MATLAB R2013a. Script M-file MATLAB R2013a untuk proses fuzzifikasi ini dilampirkan pada Lampiran 5 halaman 128. Adapun langkah-langkah menentukan derajat keanggotaan secara matematis adalah sebagai berikut: 1) Menentukan himpunan universal input Himpunan universal merupakan keseluruhan nilai yang dioperasikan dalam suatu variabel fuzzy. Berdasarkan data WBCD yang telah diperoleh sebelumnya, diketahui bahwa data tersebut memiliki 9 variabel (X1, X2,, X8, X9), himpunan universal input dapat diperoleh dari nilai minimum dan maksimum dari masing-masing variabel. Karena data WBCD tersebut berupa 65
29 bilangan bulat dengan interval 1 sampai 10 pada masing-masing variabelnya, maka nilai minimum dan maksimum dari 9 parameter adalah sama yaitu [1 10]. 2) Mendefinisikan himpunan fuzzy pada input Pada penulisan tugas akhir skripsi ini, masing-masing input didefinisikan menjadi 3 himpunan fuzzy dengan fungsi keanggotaan segitiga. Penentuan banyaknya himpunan fuzzy yang dipilih pada tugas akhir ini berdasarkan trial and error. Berdasarkan 9 variabel yang terdapat pada data WBCD yang terdiri dari: Clump Thickness (X 1 ); Uniformity of Cell Size (X 2 ); Uniformity of Cell Shape (X 3 ); Marginal Adhesion (X 4 ); Single Epithelial Cell Size (X 5 ); Bare Nuclei (X 6 ); Bland Chromatin (X 7 ); Normal Nucleoli (X 8 ); Mitoses (X 9 ), diperoleh nilai himpunan universal input untuk kesembilan variabel pada data WBCD adalah sama, yaitu [1 10], maka fungsi keanggotaan dengan tiga himpunan fuzzy untuk kesembilan variabel tersebut juga sama. Sehingga dapat dicari himpunan fuzzy untuk 9 variabel tersebut dengan menggunakan program MATLAB R2013a. Gambar 3.7 berikut adalah hasil himpunan fuzzy yang diperoleh dengan menggunakan program MATLAB R2013a: 66
30 Gambar 3. 7 Grafik Fungsi Keanggotaan input pada Data WBCD Berdasarkan Gambar 3.7, didapatkan 3 himpunan fuzzy untuk fungsi keanggotaan segitiga antara lain, yaitu: 1) Himpunan a 1 = [ 2,6 1 4,6] 2) Himpunan a 2 = [1,9 5,5 9,1] 3) Himpunan a 3 = [6, ,6] Dari ketiga himpunan fuzzy tersebut, selanjutnya dapat diperoleh fungsi keanggotaan (Persamaan 2.24) sebagai berikut: μ a1 = { 0, x 2,6 atau x 4,6 x ( 2,6) 3,6 4,6 x 3,6, 2,6 < x 1, 1 < x 4,6 μ a2 = { 0, x 1,9 atau x 9,1 x 1,9 3,6 9,1 x 3,6, 1,9 < x 5,5, 5,5 < x 9,1 67
31 μ a3 = { 0, x 6,4 atau x 13,6 x 6,4 3,6 13,6 x 3,6, 6,4 < x 10, 10 < x 13,6 Ketiga fungsi keanggotaan yang telah diperoleh di atas sama untuk variabel-variabel yang lain. Selanjutnya dilakukan substitusi nilai x. Misal, pada data ke-1 variabel Clump Thickness (X 1 ) yang terdapat pada Lampiran 1 halaman 111 yaitu 5. Maka hasil substitusi dari x = 5 pada fungsi keanggotaan di atas diperoleh μ a1 = 0, μ a2 = 5 1,9 3,6 = 0,811, dan μ a 3 = 0. Kemudian nilai derajat keanggotaan tersebut digunakan sebagai variabel input. Sehingga nilai derajat keanggotaan untuk data yang pertama yaitu [0 0,811 0]. Selanjutnya prosedur perhitungan tersebut dilakukan untuk nilai x yang lain sampai data terakhir pada variabel Clump Thickness. Hasil perhitungan derajat keanggotaan pada data WBCD tersebut selengkapnya dapat dilihat pada Lampiran 7 halaman 134. Penentuan himpunan fuzzy untuk variabel-variabel lainnya yang terdapat pada data WBCD dilakukan analog seperti pada variabel Clump Thickness di atas dengan menggunakan himpunan fuzzy yang sama. Berikut merupakan hasil himpunan fuzzy yang diperoleh untuk kesembilan variabel pada data WBCD dengan menggunakan data ke-1 pada masing-masing variabel: 68
32 a) Clump Thickness (X 1 ) Data ke-1 pada variabel Clump Thickness (X 1 ) yang terdapat pada Lampiran 1 halaman 111 yaitu 5. Maka diperoleh derajat keanggotaannya adalah μ a1 = 0, μ a2 = 0,8611, dan μ a3 = 0. b) Uniformity of Cell Size (X 2 ) Data ke-1 pada variabel Uniformity of Cell Size (X 2 ) yang terdapat pada Lampiran 1 halaman 111 yaitu 1. Maka diperoleh derajat keanggotaannya adalah μ b1 = 1, μ b2 = 0, dan μ b3 = 0. c) Uniformity of Cell Shape (X 3 ) Data ke-1 pada variabel Uniformity of Cell Shape (X 3 ) yang terdapat pada Lampiran 1 halaman 111 yaitu 1. Maka diperoleh derajat keanggotaannya adalah μ c1 = 1, μ c2 = 0, dan μ c3 = 0. d) Marginal Adhesion (X 4 ) Data ke-1 pada variabel Marginal Adhesion (X 4 ) yang terdapat pada Lampiran 1 halaman 111 yaitu 1. Maka diperoleh derajat keanggotaannya adalah μ d1 = 1, μ d2 = 0, dan μ d3 = 0. e) Single Ephitalial (X 5 ) Data ke-1 pada variabel Marginal Adhesion (X 5 ) yang terdapat pada Lampiran 1 halaman 111 yaitu 2. Maka diperoleh derajat keanggotaannya adalah μ e1 = 0,7222, μ e2 = 0,0278, dan μ e3 = 0. 69
33 f) Bare Nuclei (X 6 ) Data ke-1 pada variabel Bare Nuclei (X 6 ) yang terdapat pada Lampiran 1 halaman 111 yaitu 1. Maka diperoleh derajat keanggotaannya adalah μ f1 = 1, μ f2 = 0, dan μ f3 = 0. g) Bland Chromatin (X 7 ) Data ke-1 pada variabel Bland Chromatin (X 7 ) yang terdapat pada Lampiran 1 halaman 111 yaitu 3. Maka diperoleh derajat keanggotaannya adalah μ g1 = 0,4444, μ g2 = 0,3056, dan μ g3 = 0. h) Normal Nucleoli (X 8 ) Data ke-1 pada variabel Normal Nucleoli (X 8 ) yang terdapat pada Lampiran 1 halaman 111 yaitu 1. Maka diperoleh derajat keanggotaannya adalah μ h1 = 1, μ h2 = 0, dan μ h3 = 0. i) Mitoses (X 9 ) Data ke-1 pada variabel Mitoses (X 9 ) yang terdapat pada Lampiran 1 halaman 111 yaitu 1. Maka diperoleh derajat keanggotaannya adalah μ i1 = 1, μ i2 = 0, dan μ i3 = 0. b. Wisconsin Diagnostic Breast Cancer (WDBC) Berdasarkan data WDBC didapatkan 10 variabel, maka banyaknya neuron pada input layer adalah 10 neuron yang berupa bilangan crisp. Pada tugas akhir ini proses fuzzifikasi menggunakan fungsi keanggotaan representasi kurva segitiga (Persamaan 2.5) dengan 3 himpunan fuzzy. Derajat keanggotaan input FRBFNN dapat dicari dengan menggunakan aplikasi MATLAB R2013a. Script M-file MATLAB R2013a untuk proses fuzzifikasi ini dilampirkan pada 70
34 Lampiran 6 halaman 131. Adapun langkah-langkah menentukan derajat keanggotaan secara matematis adalah sebagai berikut: 1) Menentukan himpunan universal input Himpunan universal merupakan keseluruhan nilai yang dioperasikan dalam suatu variabel fuzzy. Berdasarkan data WDBC yang telah diperoleh sebelumnya, diketahui bahwa data tersebut memiliki 10 variabel (X1, X2,, X9, X10) yang terdiri dari: Radius (X 1 ); Texture (X 2 ); Perimeter (X 3 ); Area (X 4 ); Smoothness (X 5 ); Compactness (X 6 ); Concavity (X 7 ); Concave Points (X 8 ); Symmetry (X 9 ) dan Fractal Dimension (X 10 ). Himpunan universal input dapat diperoleh dari nilai minimum dan maksimum dari masing-masing parameter. Sehingga diperoleh himpunan universal input untuk 10 variabel tersebut berturut-turut adalah [0, ,33] ; [9,71 31,46] ; [51,71 208,6] ; [201,9 3301] ; [0,0022 0,1425] ; [0, ,2839] ; [0, ,4108] ; [0, ,1913] ; [0,1167 0,304] dan [0, ,09744]. 2) Mendefinisikan himpunan fuzzy pada input Pada penulisan tugas akhir skripsi ini, masing-masing input didefinisikan menjadi 3 himpunan fuzzy dengan fungsi keanggotaan segitiga. Penentuan himpunan fuzzy yang dipilih pada tugas akhir ini berdasarkan trial and error. Berikut adalah proses penentuan himpunan fuzzy dan perhitungan derajat keanggotaan pada data WDBC: 1) Radius (X 1 ) Variabel radius memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [8,196 31,33]. Selanjutnya dapat dicari himpunan fuzzy 71
35 dengan menggunakan program MATLAB R2013a. Gambar 3.8 berikut adalah hasil himpunan fuzzy yang diperoleh: Gambar 3. 8 Grafik Fungsi Keanggotaan Input pada Data WDBC untuk Variabel Radius Berdasarkan Gambar 3.8, didapatkan 3 himpunan fuzzy untuk fungsi keanggotaan segitiga antara lain, yaitu: a) Himpunan a 1 = [ ] b) Himpunan a 2 = [ ] c) Himpunan a 3 = [ ] Dari ketiga himpunan fuzzy tersebut, selanjutnya dapat diperoleh fungsi keanggotaan (Persamaan 2.24) sebagai berikut: μ a1 = { 0, x atau x x ( 1.058) 9, x 9,254, < x 8.196, < x
36 μ a2 = μ a3 = { { 0, x atau x x , x 9,26, < x 19.76, < x , x atau x x 22,07 9, x 9,26, < x 31.33, < x Setelah diperoleh ketiga fungsi keanggotaan tesebut, selanjutnya dilakukan substitusi nilai x. Misal, data ke-1 pada variabel Radius (X 1 ) yang terdapat pada Lampiran 3 halaman 120 yaitu 13,54. Maka hasil substitusi dari x = 13,54 pada fungsi keanggotaan di atas diperoleh μ a1 = ,54 9,254 = 0,4225, μ a2 = 13, ,25 = 0,3275, dan μ a3 = 0. Kemudian nilai derajat keanggotaan tersebut digunakan sebagai variabel input. Sehingga nilai derajat keanggotaan untuk data yang pertama yaitu [0,4225 0,3275 0]. Selanjutnya prosedur perhitungan tersebut dilakukan untuk nilai x yang berbeda sampai data terakhir pada variabel radius (X 1 ). Hasil perhitungan derajat keanggotaan pada data WDBC tersebut selengkapnya dapat dilihat pada Lampiran 8 halaman 152. Penentuan himpunan fuzzy untuk variabel-variabel lainnya yang terdapat pada data WDBC dilakukan analog seperti pada variabel radius di atas. 2) Texture (X 2 ) Variabel Texture (X 2 ) memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [9,71 31,46], sehingga didapatkan 3 himpunan fuzzy dengan fungsi keanggotaan segitiga antara lain, yaitu: 73
37 a) Himpunan b 1 = [1,01 9,71 18,41] b) Himpunan b 2 = [11,89 20,58 29,29] c) Himpunan b 3 = [22,76 31,46 40,16] Data ke-1 pada variabel Texture (X 2 ) yang terdapat pada Lampiran 3 halaman 120 yaitu 14,36. Maka diperoleh derajat keanggotaannya adalah μ b1 = 0,4655, μ b2 = 0,2842, dan μ b3 = 0. 3) Perimeter (X 3 ) Variabel Perimeter (X 3 ) memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [51,71 208,6], sehingga didapatkan 3 himpunan fuzzy dengan fungsi keanggotaan segitiga antara lain, yaitu: a) Himpunan c 1 = [ 11,05 51,71 114,5] b) Himpunan c 2 = [67,44 130,1 192,9] c) Himpunan c 3 = [145,8 208,6 271,4] Data ke-1 pada variabel Perimeter (X 3 ) yang terdapat pada Lampiran 3 halaman 120 yaitu 87,46. Maka diperoleh derajat keanggotaannya adalah μ c1 = 0,4306, μ c2 = 0,3195, dan μ c3 = 0. 4) Area (X 4 ) Variabel Area (X 4 ) memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [201,9 3301], sehingga didapatkan 3 himpunan fuzzy dengan fungsi keanggotaan segitiga antara lain, yaitu: a) Himpunan d 1 = [ ,9 1442] b) Himpunan d 2 = [512, ] c) Himpunan d 3 = [ ] 74
38 Data ke-1 pada variabel Area (X 4 ) yang terdapat Lampiran 3 halaman 120 yaitu 566,3. Maka diperoleh derajat keanggotaannya adalah μ d1 = 0,7061, μ d2 = 0,0434, dan μ d3 = 0. 5) Smoothness (X 5 ) Variabel Smoothness (X 5 ) memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [0,0022 0,1425], sehingga didapatkan 3 himpunan fuzzy dengan fungsi keanggotaan segitiga antara lain, yaitu: a) Himpunan e 1 = [ 0, ,0022 0,05834] b) Himpunan e 2 = [0, , ,1285] c) Himpunan e 3 = [0, ,1425 0,1987] Data ke-1 pada variabel Smoothness (X 5 ) yang terdapat pada Lampiran 3 halaman 120 yaitu 0, Maka diperoleh derajat keanggotaannya adalah μ e1 = 0, μ e2 = 0,5462, dan μ e3 = 0, ) Compactness (X 6 ) Variabel Compactness (X 6 ) memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [0, ,2839], sehingga didapatkan 3 himpunan fuzzy dengan fungsi keanggotaan segitiga antara lain, yaitu: a) Himpunan f 1 = [ 0, , ,1252] b) Himpunan f 2 = [0, ,1515 0,2575] c) Himpunan f 3 = [0,178 0,2839 0,3899] Data ke-1 pada variabel Compactness (X 6 ) yang terdapat pada Lampiran 3 halaman 120 yaitu 0, Maka diperoleh derajat keanggotaannya adalah μ f1 = 0,4149, μ f2 = 0,3351, dan μ f3 = 0. 75
39 7) Concavity (X 7 ) Variabel Concavity (X 7 ) memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [0, ,4108], sehingga didapatkan 3 himpunan fuzzy dengan fungsi keanggotaan segitiga antara lain, yaitu: a) Himpunan g 1 = [ 0,1634 0, ,1647] b) Himpunan g 2 = [0,0417 0,2057 0,3698] c) Himpunan g 3 = [0,2468 0,4108 0,5748] Data ke-1 pada variabel Concavity (X 7 ) yang terdapat pada Lampiran 3 halaman 120 yaitu 0, Maka diperoleh derajat keanggotaannya adalah μ g1 = 0,5979, μ g2 = 0,1521, dan μ g3 = 0. 8) Concave Points (X 8 ) Variabel Concave Points (X 8 ) memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [0, ,1913], sehingga didapatkan 3 himpunan fuzzy dengan fungsi keanggotaan segitiga antara lain, yaitu: a) Himpunan h 1 = [ 0, , ,07763] b) Himpunan h 2 = [0, , ,1724] c) Himpunan h 3 = [0,1155 0,1913 0,2671] Data ke-1 pada variabel Concave Points (X 8 ) yang terdapat pada Lampiran 3 halaman 120 yaitu 0, Maka diperoleh derajat keanggotaannya adalah μ h1 = 0,3932, μ h2 = 0,3565, dan μ h3 = 0. 76
40 9) Symmetry (X 9 ) Variabel Symmetry (X 9 ) memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [0,1167 0,304], sehingga didapatkan 3 himpunan fuzzy dengan fungsi keanggotaan segitiga antara lain, yaitu: a) Himpunan i 1 = [0, ,1167 0,1916] b) Himpunan i 2 = [0,1354 0,2103 0,2853] c) Himpunan i 3 = [0,2291 0,304 0,3789] Data ke-1 pada variabel Symmetry (X 9 ) yang terdapat pada Lampiran 3 halaman 120 yaitu 0,1885. Maka diperoleh derajat keanggotaannya adalah μ i1 = 0,04138, μ i2 = 0,7089, dan μ i3 = 0. 10) Fractal Dimension (X 10 ) Variabel Fractal Dimension (X 10 ) memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [0, ,09744]., sehingga didapatkan 3 himpunan fuzzy dengan fungsi keanggotaan segitiga antara lain, yaitu: a) Himpunan j 1 = [0, , ,06912] b) Himpunan j 2 = [0, , ,09273] c) Himpunan j 3 = [0, , ,1163] Data ke-1 pada variabel Fractal Dimension (X 10 ) yang terdapat pada Lampiran 3 halaman 120 yaitu 0, Maka diperoleh derajat keanggotaannya adalah μ j1 = 0,6073, μ j2 = 0,1431, dan μ j3 = 0. Proses pembelajaran FRBFNN selanjutnya yaitu normalisasi data. Data input yang merupakan hasil fuzzifikasi dari langkah sebelumnya dinormalisasi 77
41 terlebih dahulu dengan membawa data ke bentuk normal baku (mean = 0, standar deviasi = 1). Berikut merupakan hasil normalisasi data WBCD dan data WDBC: a. Wisconsin Breast Cancer Database (WBCD) Normalisasi data training dan testing pada data WBCD dapat dilakukan dengan menggunakan Matlab R2013a. Hasil normalisasi data training secara lengkap dapat dilihat pada Lampiran 9 halaman 171 dan untuk data testing dapat dilihat di Lampiran 7 halaman 186. Contoh hasil normalisasi data pada data training WBCD yang pertama ditunjukkan pada Tabel 3.3 berikut. Tabel 3. 3 Hasil Normalisasi Data pada Data Training WBCD yang Pertama No. Variabel Hasil Normalisasi 1 Clump Thickness 2 Uniformity of Cell Size 3 Uniformity of Cell Shape 4 Marginal Adhesion 5 Single Epithelial Cell Size 6 Bare Nuclei 7 Bland Chromatin 0, , , , , , , , ,4866 0, , , , , , , , , , , ,
42 No. Variabel Hasil Normalisasi 8 Normal Nucleoli 0, , , Mitoses 0, , ,16352 b. Wisconsin Diagnostic Breast Cancer (WDBC) Normalisasi data training dan testing pada data WDBC dapat dilakukan dengan menggunakan Matlab R2013a. Hasil normalisasi data training secara lengkap dapat dilihat pada Lampiran 11 halaman 190 dan untuk data testing dapat dilihat di Lampiran 12 halaman 205. Contoh hasil normalisasi data pada data training WDBC yang pertama ditunjukkan pada Tabel 3.4 berikut: Tabel 3. 4 Hasil Normalisasi Data pada Data Training WDBC yang Pertama No. Variabel Hasil Normalisasi 1 Radius 2 Texture 3 Perimeter 4 Area 5 Smoothness 0, , , , ,1129 0, , , , , ,5453 0, , ,
43 No. Variabel Hasil Normalisasi 6 Compactness 0, , , Concavity 0, , , Concave Points 0, , , Symmetry 0, , , Fractal Dimension 0, , ,16814 Langkah pembelajaran FRBFNN yang terakhir yaitu clustering dimana pada langkah ini data training hasil normalisasi akan digunakan pada proses clustering. Metode clustering yang digunakan pada tugas akhir ini untuk data WBCD dan WDBC adalah sama yaitu metode K-Means clustering. Proses K- means clustering dilakukan dengan menggunakan aplikasi Minitab sehingga didapatkan pusat masing-masing cluster dan jarak yang digunakan untuk perhitungan dalam proses pembelajaran FRBFNN selanjutnya. Penentuan banyaknya cluster berdasarkan trial and error dilihat dari hasil akurasi pembelajaran FRBFNN. Setelah masing-masing pusat cluster dan jaraknya didapatkan, selanjutnya dilakukan proses penentuan bobot pada pembelajaran FRBFNN dengan menggunakan program pada MATLAB R2013a, yaitu rbfdesign yang terlampir pada Lampiran 13 halaman 209 dan globalridge yang terlampir pada Lampiran 14 halaman
44 4. Menentukan Jaringan Optimum Proses FRBFNN selanjutnya adalah pengoptimalan jaringan dan pengoptimalan bobot menggunakan persamaan (3.33). Penentuan jaringan optimum didasarkan oleh banyaknya neuron tersembunyi. Oleh karena itu, hal yang perlu dilakukan terlebih dahulu yaitu menentukan banyak neuron tersembunyi. Neuron tersembunyi yang dapat menghasilkan jaringan optimum adalah neuron yang dapat menghasilkan akurasi terbaik. Dengan menggunakan metode trial and eror, dicoba banyaknya cluster yang digunakan pada metode K-Means clustering dengan menggunakan program Minitab sampai menghasilkan akurasi terbaik. a. Wisconsin Breast Cancer Database (WBCD) Proses K-Means clustering pada data WBCD dilakukan dengan menggunakan program Minitab dan dilakukan secara trial and error untuk menentukan banyak cluster yang menghasilkan akurasi terbaik. Tabel 3.5 berikut menunjukkan hasil akurasi dari beberapa cluster dengan menggunakan metode K-Means clustering pada pembelajaran FRBFNN. Tabel 3. 5 Persentase Akurasi Data Training dan Data Testing pada Model Cluster FRBFNN Menggunakan Data WBCD Akurasi Training (%) Akurasi Testing (%) 4 96,875 97,5 5 97,5 97,5 6 97,5 97,5 7 97, ,5 97,5 9 96,25 97,5 81
45 Cluster Akurasi Training (%) Akurasi Testing (%) 10 96,875 97, ,75 97, ,875 97, ,125 97, ,875 97, ,25 97, ,25 97, ,5 97, ,5 97, ,5 97, ,5 97,5 Berdasarkan tabel 3.5 tersebut, banyaknya cluster yang digunakan sebagai uji coba pada metode trial and error yaitu 4 sampai 20 cluster. Dari masing-masing banyaknya cluster yang dipilih dapat dilihat hasil akurasi data training dan testing dimana secara keseluruhan hasil akurasi data training menunjukkan pola yang tidak beraturan sedangkan pada data testing hasil akurasi cenderung bernilai 97,5%. Pada cluster 11 nilai akurasi data training merupakan nilai akurasi yang terbaik yaitu 98,75%. Sedangkan nilai akurasi terbaik untuk data testing diperoleh pada cluster 7, yaitu 100%. Berdasarkan teori kesederhanaan maka dipilih cluster 7 dengan nilai akurasi training 97,5% dan nilai akurasi testing 100% yang merupakan jaringan dengan akurasi optimum. Oleh karena itu, jaringan dengan banyak cluster 7 dipilih sebagai jaringan yang menghasilkan akurasi optimum. Nilai pusat dan jarak terlampir pada Lampiran 16 halaman 221. Dengan demikian model FRBFNN terbaik pada data WBCD untuk klasifikasi stadium kanker payudara yang digunakan pada tugas akhir ini yaitu 82
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 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 III PEMBAHASAN. Radial Basis Function Neural Network (FRBFNN), prosedur pembentukan model
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
Lebih terperinciBAB I PENDAHULUAN. Kanker adalah pertumbuhan yang tidak normal dari sel-sel jaringan tubuh
BAB I PENDAHULUAN A. Latar Belakang Kanker adalah pertumbuhan yang tidak normal dari sel-sel jaringan tubuh dan bersifat ganas. Sel-sel tersebut dapat tumbuh lebih lanjut serta menyebar ke bagian tubuh
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 terperinciBAB II KAJIAN TEORI. Kanker payudara adalah tumor ganas yang terbentuk dari sel-sel payudara
A. Kanker Payudara BAB II KAJIAN TEORI 1. Pengertian Kanker Payudara Kanker payudara adalah tumor ganas yang terbentuk dari sel-sel payudara yang tumbuh dan berkembang tanpa terkendali sehingga dapat menyebar
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 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 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 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 terperinciPenerapan Metode RBPNN untuk Klasifikasi Kanker Payudara
Penerapan Metode RBPNN untuk Klasifikasi Kanker Payudara Fairudz Shahura, Oni Soesanto 2, Fatma Indriani 3,2,3 Prodi Ilmu Komputer FMIPA ULM Jl. A. Yani Km 36 Banjarbaru, Kalimantan selatan Email: irashahura@gmail.com
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 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 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 I PENDAHULUAN. saluran kelenjar dan jaringan penunjang payudara, tidak termasuk kulit payudara
BAB I PENDAHULUAN A. Latar Belakang Kanker payudara adalah tumor ganas yang berasal dari sel kelenjar, saluran kelenjar dan jaringan penunjang payudara, tidak termasuk kulit payudara (Departemen Kesehatan,
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 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 II KAJIAN TEORI. untuk mengembangkan konsep dalam melakukan optimasi rule dalam diagnosa
BAB II KAJIAN TEORI Bab II berisi tentang teori dan temuan-temuan yang dapat dijadikan acuan untuk mengembangkan konsep dalam melakukan optimasi rule dalam diagnosa kanker payudara. Teori-teori yang digunakan
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 terperinciDIAGNOSIS PENYAKIT KANKER PAYUDARA MENGGUNAKAN METODE NAIVE BAYES BERBASIS DESKTOP
1 DIAGNOSIS PENYAKIT KANKER PAYUDARA MENGGUNAKAN METODE NAIVE BAYES BERBASIS DESKTOP Achmad Ramadhan Safutra 1, Dwi Wahyu Prabowo 1 1 Jurusan Sistem Informasi, Fakultas Ilmu Komputer Universitas Darwan
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 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 terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
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 terperinciPRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA
PRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA Penyusun Tugas Akhir : Astris Dyah Perwita (NRP : 5110.100.178)
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 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 terperinciPeramalan Harga Minyak Mentah Dunia (Crude Oil) Menggunakan Metode Radial Basis Function Neural Network (RBFNN)
Peramalan Harga Minyak Mentah Dunia (Crude Oil) Menggunakan Metode Radial Basis Function Neural Network (RBFNN) Crude Oil Price Forecasting Using Radial Basis Function Neural Network Method (RBFNN) Ayu
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciReduksi Fitur Untuk Optimalisasi Klasifikasi Tumor Payudara Berdasarkan Data Citra FNA
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Reduksi Fitur Untuk Optimalisasi Klasifikasi Tumor Payudara Berdasarkan Data Citra FNA Made Satria Wibawa 1), Kadek Dwi
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 II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Matriks Matriks adalah himpunan bilangan real yang disusun secara empat persegi panjang, mempunyai baris dan kolom dengan bentuk umum : Tiap-tiap bilangan yang berada didalam
Lebih terperinciBAB II KAJIAN TEORI. penelitian ini diantaranya mengenai kanker payudara, penelitian-penelitian
BAB II KAJIAN TEORI Bab II berisi tentang kajian teori. Teori-teori yang digunakan dalam penelitian ini diantaranya mengenai kanker payudara, penelitian-penelitian terdahulu, pengolahan citra digital dan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan diuraikan mengenai landasan teori yang akan digunakan dalam bab selanjutnya. 2.1 Matriks Sebuah matriks, biasanya dinotasikan dengan huruf kapital tebal seperti A,
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 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 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 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 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 PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1. Pengujian Signifikansi Parameter a. Uji serentak parameter regresi logistik Uji serentak adalah uji yang mempunyai fungsi dimana untuk mengetahui signifikansi
Lebih terperinciPEMODELAN GENERAL REGRESSION NEURAL NETWORK (GRNN) DENGAN PEUBAH INPUT DATA RETURN UNTUK PERAMALAN INDEKS HANGSENG
PEMODELAN GENERAL REGRESSION NEURAL NETWORK (GRNN) DENGAN PEUBAH INPUT DATA RETURN UNTUK PERAMALAN INDEKS HANGSENG R. E. Caraka 1, H. Yasin 2 dan A. Prahutama 3 1,2,3 JurusanStatistika, Fakultas Sains
Lebih terperinciCombined for Time Series Forecasting
RBF and ARIMA Combined for Time Series Forecasting Dian Tri Wiyanti Teknik Informatika Universitas Semarang Semarang, Indonesia deediy87@gmailcom Reza Pulungan Jurusan Ilmu Komputer dan Elektronika FMIPA
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
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 terperinciKOMPARASI ALGORITMA NAÏVE BAYES DAN K- NEAREST NEIGHBOR UNTUK DETEKSI KANKER PAYUDARA
KOMPARASI ALGORITMA NAÏVE BAYES DAN K- NEAREST NEIGHBOR UNTUK DETEKSI KANKER PAYUDARA 3) Rayung Wulan 1), Mei Lestari 2), Ni Wayan Parwati Septiani Program Studi Informatika Universitas Indraprasta PGRI
Lebih terperinciPEMBELAJARAN BERTINGKAT PADA ARSITEKTUR JARINGAN SARAF FUNGSI RADIAL BASIS
PEMBELAJARAN BERTINGKAT PADA ARSITEKTUR JARINGAN SARAF FUNGSI RADIAL BASIS Diana Purwitasari 1, Glory Intani Pusposari 2, Rully Sulaiman 3 Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
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 terperinciKata kunci: Cluster, Knowledge Discovery in Database, Algoritma K-Means,
K- Pembentukan cluster dalam Knowledge Discovery in Database dengan Algoritma K-Means Oleh: Sri Andayani Jurusan Pendidikan Matematika FMIPA UNY,email: andayani@uny.ac.id Abstrak Pembentukan cluster merupakan
Lebih terperincig(x, y) = F 1 { f (u, v) F (u, v) k} dimana F 1 (F (u, v)) diselesaikan dengan: f (x, y) = 1 MN M + vy )} M 1 N 1
Fast Fourier Transform (FFT) Dalam rangka meningkatkan blok yang lebih spesifik menggunakan frekuensi dominan, akan dikalikan FFT dari blok jarak, dimana jarak asal adalah: FFT = abs (F (u, v)) = F (u,
Lebih terperinciBAB II TINJAUAN PUSTAKA. 2.1 Ekonomi dan Produk Domestik Regional Bruto. Istilah ekonomi berasal dari bahasa Yunani, terdiri atas kata oikos dan
BAB II TINJAUAN PUSTAKA 2. Ekonomi dan Produk Domestik Regional Bruto Istilah ekonomi berasal dari bahasa Yunani, terdiri atas kata oikos dan nomos. Oikos berarti rumah tangga, nomos berarti aturan. Sehingga
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 terperinciJURNAL TEKNOLOGI INFORMASI & PENDIDIKAN ISSN : VOL. 2 NO. 1 SEPTEMBER 2010
PERBANDINGAN METODE K-NEAREST NEIGHBOR (KNN) dan METODE NEAREST CLUSTER CLASSIFIER (NCC) DALAM PENGKLASIFIKASIAN KUALITAS BATIK TULIS Nesi Syafitri 1 ABSTRACT Various problem that are related to classification
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 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 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 terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION SKRIPSI
PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION (Studi Kasus : Harga Penutupan Saham Unilever Indonesia Tbk. Periode September
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF)
PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF) AINUN JARIAH 1209201721 DOSEN PEMBIMBING 1. Prof. Dr. Mohammad Isa Irawan, M.T 2. Dr Imam Mukhlas, S.Si, M.T
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 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 terperinciBAB 3 PENGENALAN WAJAH
28 BAB 3 PENGENALAN WAJAH DENGAN PENGENALAN DIMENSION WAJAH BASED DENGAN FNLVQ DIMENSION BASED FNLVQ Bab ini menjelaskan tentang pemodelan data masukan yang diterapkan dalam sistem, algoritma FNLVQ secara
Lebih terperinci2.1 Definisi Operasional Indikator Pemerataan Pendidikan
BAB II TINJAUAN PUSTAKA 2.1 Definisi Operasional Indikator Pemerataan Pendidikan Pendidikan di Indonesia diselenggarakan sesuai dengan sistem pendidikan nasional yang ditetapkan dalam UU No. 20 tahun 2003
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 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 terperinciBAB 3. METODE PENELITIAN
BAB 3 METODE PENELITIAN 31 Pemilihan Parameter Masukan JST Data pengujian kualitas surfaktan-mesa yang dimiliki SBRC IPB (009) terdiri atas tegangan permukaan, IFT, densitas, viskositas, ph, dan kandungan
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciFuzzy Clustering. Logika Fuzzy
Fuzzy Clustering Logika Fuzzy Misalkan sistem uzzy dengan dua input dan output; input terdiri atas dan, outputnya y Fungsi keanggotaan dapat berbentuk: Gaussian Segitiga Bentuk lain Fungsi Gaussian i :
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 terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
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 terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciBAB IV PEMBAHASAN. A. Aplikasi Fuzzy Logic untuk Menilai Kolektibilitas Anggota Sebagai. Pertimbangan Pengambilan Keputusan Pemberian Kredit
BAB IV PEMBAHASAN A. Aplikasi Fuzzy Logic untuk Menilai Kolektibilitas Anggota Sebagai Pertimbangan Pengambilan Keputusan Pemberian Kredit Aplikasi fuzzy logic untuk pengambilan keputusan pemberian kredit
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Fuzzy Tidak semua himpunan yang dijumpai dalam kehidupan sehari-hari terdefinisi secara jelas, misalnya himpunan orang miskin, himpunan orang pandai, himpunan orang tinggi,
Lebih terperinciKLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF
KLASIFIKASI ARITMIA EKG MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN FUNGSI AKTIVASI ADAPTIF Asti Rahma Julian 1, Nanik Suciati 2, Darlis Herumurti 3 Teknik Informatika, Fakultas Teknologi Informasi, ITS
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
32 BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dibahas tentang analisis sistem melalui pendekatan secara terstruktur dan perancangan yang akan dibangun dengan tujuan menghasilkan model atau representasi
Lebih terperinciPERAMALAN BANYAK KASUS DEMAM BERDARAH DI D.I. YOGYAKARTA DENGAN MODEL RADIAL BASIS FUNCTION NEURAL NETWORK SKRIPSI
PERAMALAN BANYAK KASUS DEMAM BERDARAH DI D.I. YOGYAKARTA DENGAN MODEL RADIAL BASIS FUNCTION NEURAL NETWORK SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta
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 terperinciBAB IV HASIL DAN PEMBAHASAN. Tingkat kesehatan bank dapat diketahui dengan melihat peringkat
BAB IV HASIL DAN PEMBAHASAN A. Analisis Tingkat Kesehatan Bank Tingkat kesehatan bank dapat diketahui dengan melihat peringkat komposit bank tersebut. Menurut peraturan Bank Indonesia No. 13/1/PBI/2011
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
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 terperinciPERAMALAN DERET WAKTU MENGGUNAKAN MODEL FUNGSI BASIS RADIAL (RBF) DAN AUTO REGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA)
Jurnal MIPA 35 (2):175-182 (2012) Jurnal MIPA http://journal.unnes.ac.id/sju/index.php/jm PERAMALAN DERET WAKTU MENGGUNAKAN MODEL FUNGSI BASIS RADIAL (RBF) DAN AUTO REGRESSIVE INTEGRATED MOVING AVERAGE
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 terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih terperinciBAB I PENDAHULUAN. Peramalan (forecasting) adalah kegiatan untuk meramalkan apa yang akan
BAB I PENDAHULUAN A. Latar Belakang Peramalan (forecasting) adalah kegiatan untuk meramalkan apa yang akan terjadi pada masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang akan
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2. Jaringan Saraf Tiruan Jaringan saraf tiruan (JST) pertama kali diperkenankan oleh McCulloch dan Walter Pitts pada tahun 943. Jaringan saraf tiruan merupakan suatu sistem pemrosesan
Lebih terperinciPresentasi Sidand Tesis
HASIL DAN PEMBAHASAN 26 SISTEM DINAMIK (1) (2) T(t) = Populasi sel kanker pada saat t N(t) = Populasi sel normal pada saat t I(t) = Populasi sel kekebalan tubuh pada saat t Dengan Kondisi Awal T(0)=T0;
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Bab ini menjelaskan mengenai analisis dan proses perancangan. Bagian analisis meliputi deskripsi umum sistem yang dibangun, spesifikasi kebutuhan perangkat lunak, data
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pengklasifikasian merupakan salah satu metode statistika untuk mengelompok atau menglasifikasi suatu data yang disusun secara sistematis. Masalah klasifikasi sering
Lebih terperinciMetode Kernel. Machine Learning
MMA10991 Topik Khusus Machine Learning Metode Kernel Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439,
Lebih terperincidengan Algoritma K Means
K Pembentukan cluster dalam Knowledge Discovery in Database dengan Algoritma K Means Oleh: Sri Andayani Jurusan Pendidikan Matematika FMIPA UNY,email: andayani@uny.ac.id Abstrak Pembentukan cluster merupakan
Lebih terperinciBAB III REGRESI SPLINE = + dimana merupakan fungsi pemulus yang tidak spesifik, dengan adalah
BAB III REGRESI SPLINE 3.1 Fungsi Pemulus Spline yaitu Fungsi regresi nonparametrik yang telah dituliskan pada bab sebelumnya = + dimana merupakan fungsi pemulus yang tidak spesifik, dengan adalah faktor
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 III. METODOLOGI. kegiatan manusia membuat penelitian dengan domain teknik informatika
BAB III. METODOLOGI 3.1. Kerangka Pikir Teknik informatika yang memiliki andil yang cukup besar dalam berbagai kegiatan manusia membuat penelitian dengan domain teknik informatika merupakan hal yang menarik
Lebih terperinciJURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: A-222
JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-222 Implementasi Algoritma Genetika pada Struktur Backpropagation Neural Network untuk Klasifikasi Kanker Payudara Adam Mizza Zamani, Bilqis Amaliah
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 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 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 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