dan Data WDBC
Pada tugas akhir ini akan dijelaskan pula mengenai hasil perbandingan klasifikasi stadium kanker payudara menggunakan model FRBFNN dengan model RBFNN pada data WBCD maupun WDBC. Sistematika perhitungan pada prosedur pembelajaran RBFNN tidak dicantumkan secara rinci.
Prosedur pemodelan pada RBFNN menggunakan acuan yang sama dengan model FRBFNN kecuali pada data input yang digunakan. Dimana data input yang digunakan pada model FRBFNN berupa hasil fuzzifikasi dari input RBFNN. Berikut merupakan contoh perbedaan input model FRBFNN dengan input pada
99
model RBFNN dengan menggunakan data training yang pertama pada variabel Clump Thickness untuk data WBCD dan variabel Radius untuk data WDBC:
Tabel 3. 9 Perbandingan Nilai Input Model FRBFNN dengan Model RBFNN pada Data Training Pertama untuk data WBCD dan WDBC
Model FRBFNN Model RBFNN
Data WBCD WDBC WBCD WDBC
Variabel Clump Thickness Radius Clump
Thickness Radius
Himpunan
fuzzy ke- 1 2 3 1 2 3 - -
Nilai input 0 0,8611 0 0,4225 0,3276 0 5 13,54 Berdasarkan Tabel 3.9 di atas, dapat dilihat bahwa pada model RBFNN nilai inputnya berupa bilangan crisp. Sedangkan pada model FRBFNN nilai inputnya berupa bilangan fuzzy yang merupakan hasil fuzzifikasi dari nilai input pada model RBFNN dimana untuk masing-masing variabel terdapat sebanyak 3 himpunan fuzzy.
Kesamaan prosedur pemodelan RBFNN dengan FRBFNN, yaitu: pemilihan data training dan testing yang digunakan baik pada jenis data WBCD maupun WDBC adalah sama; metode clustering yang digunakan juga sama yaitu metode K-Means Clustering; menggunakan jumlah cluster yang sama dalam penentuan jaringan optimum yaitu 7 cluster pada data WBCD dan 17 cluster pada data WDBC; serta menggunakan fungsi aktivasi Gaussian.
Berikut merupakan hasil perbandingan klasifikasi stadium kanker payudara menggunakan model FRBFNN dengan RBFNN pada data WBCD dan WDBC:
100
Tabel 3. 10 Hasil Perbandingan Model FRBFNN dan Model RBFNN
No Jenis Data
Hasil Akurasi Model FRBFNN
Hasil Akurasi Model RBFNN Data Training Data Testing Data Training Data Testing 1. Wisconsin Breast Cancer Database (WBCD) 97,5% 100% 98,125% 92,5% 2. Wisconsin Diagnostic Breast Cancer (WDBC) 95% 90% 92,5% 92,5%
Berdasarkan Tabel 3.10 di atas, diketahui bahwa hasil akurasi untuk data WBCD dengan menggunakan model FRBFNN menunjukkan bahwa pada data testing lebih baik dibandingkan model RBFNN dan sebaliknya pada data training lebih baik menggunakan model RBFNN yaitu dengan hasil akurasi untuk data training dan testing pada model FRBFNN berturut-turut adalah 97,5% dan 100% sedangkan hasil akurasi untuk data training dan testing pada model RBFNN adalah 98,125% dan 92,5%. Untuk data WDBC diperoleh hasil akurasi dengan menggunakan model FRBFNN pada data training yaitu sebesar 95% lebih baik daripada model RBFNN yang memiliki hasil akurasi data training sebesar 92,5%. Tetapi pada hasil akurasi data WDBC untuk data testing, model RBFNN lebih baik dibandingkan model FRBFNN, dengan hasil akurasi model RBFNN 92,5% sedangkan model FRBFNN sebesar 90%.
101
BAB IV PENUTUP
A. Kesimpulan
Berdasarkan hasil klasifikasi stasium kanker payudara pada model Fuzzy Radial Basis Function Neural Network (FRBFNN) dengan menggunakan data Wisconsin Breast Cancer Database (WBCD) dan data Wisconsin Diagnostic Breast Cancer (WDBC), maka kesimpulan yang dapat diambil adalah sebagai berikut:
1. Prosedur model Fuzzy Radial Basis Function Neural Network (FRBFNN) untuk klasifikasi kanker payudara pada data Wisconsin Breast Cancer Database (WBCD) dan data Wisconsin Diagnostic Breast Cancer (WDBC) yaitu:
a. Penentuan variabel input didasarkan pada data yang diperoleh dari University of Wisconsin Hospital yaitu data Wisconsin Breast Cancer Database (WBCD) yang terdiri dari 9 variabel dan data Wisconsin Diagnostic Breast Cancer (WDBC) yang terdiri dari 10 variabel. Dari kedua jenis data Wisconsin yang diperoleh tersebut diambil masing- masing 200 data yang terdiri dari 100 data yang termasuk kelas tumor (benign) dan 100 data yang termasuk kelas kanker (malignant). Sedangkan penentuan variabel output berdasarkan pada target jaringan yang berasal dari klasifikasi atau diagnosa stadium kanker payudara. Terdapat 2 target yang digunakan, yaitu tumor (benign) dan kanker (malignant).
102
b. Data input yang telah diperoleh dibagi menjadi data pembelajaran (training) dan data penguji (testing). Komposisi pembagian data yang digunakan pada kedua jenis data (WBCD dan WDBC) adalah sama, yaitu 80% untuk data training dan 20% untuk data testing.
c. Melakukan proses fuzzifikasi pada data input tersebut dilakukan dengan menggunakan fungsi keanggotaan segitiga dan tiga himpunan fuzzy. Ketiga nilai pada himpunan fuzzy tersebut menjadi variabel input pada model FRBFNN.
d. Melakukan normalisasi data, yaitu membawa data dalam bentuk normal baku agar terjadi sinkronisasi data.
e. Menentukan jaringan optimum dengan menggunakan metode trial and error untuk menentukan banyaknya neuron pada lapisan tersembunyi yang memberikan nilai akurasi tertinggi. Untuk menentukan model terbaik dilakukan dengan arsitektur jaringan yang paling sederhana.
f. Setelah diperoleh nilai output jaringan, dilakukan klasifikasi presentase akurasi sesuai hasil yang didapat.
2. Model Fuzzy Radial Basis Function Neural Network (FRBFNN) untuk klasifikasi kanker payudara pada data Wisconsin Breast Cancer Database (WBCD) menghasilkan model terbaik dengan 9 neuron input, 7 neuron pada lapisan tersembunyi, dengan 1 bias, serta 1 neuron output. Berdasarkan model terbaik diperoleh nilai akurasi pada data training sebesar 97,5% dan 100% pada data testing. Sedangkan pada data Wisconsin Diagnostic Breast Cancer (WDBC) menghasilkan model terbaik dengan 10 neuron input, 17 neuron
103
pada lapisan tersembunyi, dengan 1 bias, serta 1 neuron output. Berdasarkan model terbaik diperoleh nilai akurasi pada data training sebesar 95% dan 90% pada data testing.
Pada tugas akhir ini, dicari pula hasil perbandingan antara model FRBFNN dan model RBFNN untuk data yang sama yaitu WBCD dan WDBC. Sehingga berdasarkan hasil pembelajaran model RBFNN diperoleh nilai akurasi pada data WBCD untuk data training dan testing berturut-turut adalah 98,125% dan 92,5%. Sedangkan nilai akurasi yang diperoleh pada data WDBC dengan menggunakan model RBFNN untuk data training dan testing berturut-turut adalah 92,5% dan 92,5%. Berdasarkan hasil tersebut maka dapat disimpulkan bahwa untuk data WBCD, model FRBFNN unggul pada akurasi nilai testing jika dibandingkan dengan model RBFNN. Sedangkan untuk data WDBC, model FRBFNN unggul pada akurasi nilai training jika dibandingkan dengan model RBFNN.
B. Saran
Penelitian tugas akhir ini menggunakan model Fuzzy Radial Basis Function Neural Network (FRBFNN) dengan dua jenis data yang berbeda yaitu data Wisconsin Breast Cancer Database (WBCD) dan data Wisconsin Diagnostic Breast Cancer (WDBC) untuk menentukan klasifikasi stadium kanker payudara. Hasil yang diperoleh pada penelitian ini belum mencapai nilai akurasi yang maksimal terutama pada data WDBC. Oleh karena itu, perlu dilakukan perbaikan model FRBFNN pada penelitian selajutnya agar
104
memperoleh hasil klasifikasi yang lebih baik. Beberapa saran penulis yang dapat dilakukan pada penelitian selajutnya adalah:
1. Menggunakan jenis data berupa citra yang diperoleh langsung dari rumah sakit sehingga dapat menambah tingkat keakuratan sistem. 2. Melakukan pengujian dengan berbagai fungsi keanggotaan dan
banyaknya himpunan fuzzy pada input.
3. Metode ridge regression yang digunakan dalam penelitian ini adalah metode global ridge, pada penelitian selajutnya dapat digunakan metode local ridge.
4. Menggunakan fungsi aktivasi lain yang dapat diterapkan pada algoritma FRBFNN seperti fungsi cauchy, multikuadratik, atau invers multikuadratik sebagai pembanding, supaya dapat diketahui fungsi aktivasi yang paling baik digunakan pada model FRBFNN.
105