C. Hasil Model Fuzzy Radial Basis Function Neural Network (FRBFNN)
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
66
bilangan bulat dengan interval 1 sampai 10 pada masing-masing variabelnya, maka nilai minimum dan maksimum dari 9 parameter adalah sama yaitu [ ]. 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 � ; Uniformity of Cell Size � ; Uniformity of Cell Shape � ; Marginal Adhesion � ; Single Epithelial Cell Size � ; Bare Nuclei � ; Bland Chromatin � ; Normal Nucleoli � ; Mitoses � , diperoleh nilai himpunan universal input untuk kesembilan variabel pada data WBCD adalah sama, yaitu [ ], 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:
67
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 = [− , , ] 2) Himpunan = [ , , , ] 3) Himpunan = [ , , ]
Dari ketiga himpunan fuzzy tersebut, selanjutnya dapat diperoleh fungsi keanggotaan (Persamaan 2.24) sebagai berikut:
= { , − , atau , − − , , , − , < , − , , < , = { , , atau , − , , , , < , , − , , , < ,
68 = { , , atau , − , , , , < , − , , < ,
Ketiga fungsi keanggotaan yang telah diperoleh di atas sama untuk variabel-variabel yang lain.
Selanjutnya dilakukan substitusi nilai . Misal, pada data ke-1 variabel Clump Thickness � yang terdapat pada Lampiran 1 halaman 111 yaitu 5. Maka hasil substitusi dari = pada fungsi keanggotaan di atas diperoleh = , = − ,
, = , , dan = . Kemudian nilai derajat keanggotaan tersebut digunakan sebagai variabel input. Sehingga nilai derajat keanggotaan untuk data yang pertama yaitu
[ , ]. Selanjutnya prosedur perhitungan tersebut dilakukan untuk nilai
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:
69 a) Clump Thickness �
Data ke-1 pada variabel Clump Thickness � yang terdapat pada Lampiran 1 halaman 111 yaitu . Maka diperoleh derajat keanggotaannya adalah = , = , , dan = .
b) Uniformity of Cell Size �
Data ke-1 pada variabel Uniformity of Cell Size � yang terdapat pada Lampiran 1 halaman 111 yaitu . Maka diperoleh derajat keanggotaannya adalah = , = , dan = .
c) Uniformity of Cell Shape �
Data ke-1 pada variabel Uniformity of Cell Shape � yang terdapat pada Lampiran 1 halaman 111 yaitu . Maka diperoleh derajat keanggotaannya adalah = , = , dan = .
d) Marginal Adhesion �
Data ke-1 pada variabel Marginal Adhesion � yang terdapat pada Lampiran 1 halaman 111 yaitu . Maka diperoleh derajat keanggotaannya adalah = , = , dan = .
e) Single Ephitalial �
Data ke-1 pada variabel Marginal Adhesion � yang terdapat pada Lampiran 1 halaman 111 yaitu . Maka diperoleh derajat keanggotaannya adalah = , , = , , dan = .
70 f) Bare Nuclei �
Data ke-1 pada variabel Bare Nuclei � yang terdapat pada Lampiran 1 halaman 111 yaitu . Maka diperoleh derajat keanggotaannya adalah = , = , dan = .
g) Bland Chromatin �
Data ke-1 pada variabel Bland Chromatin � yang terdapat pada Lampiran 1 halaman 111 yaitu . Maka diperoleh derajat keanggotaannya adalah = , , = , , dan = . h) Normal Nucleoli �
Data ke-1 pada variabel Normal Nucleoli � yang terdapat pada Lampiran 1 halaman 111 yaitu . Maka diperoleh derajat keanggotaannya adalah ℎ = , ℎ = , dan ℎ = .
i) Mitoses �
Data ke-1 pada variabel Mitoses � yang terdapat pada Lampiran 1 halaman 111 yaitu . Maka diperoleh derajat keanggotaannya adalah
= , = , dan = .
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
71
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 � ; Texture � ; Perimeter � ; Area
� ; Smoothness � ; Compactness � ; Concavity � ; Concave Points
� ; Symmetry � dan Fractal Dimension � . 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 [ , , ] ; [ , , ] ; [ , , ] ;
[ , ] ; [ , , ] ; [ , , ] ; [ , , ] ;
[ , , ] ; [ , , ] dan [ , , ].
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 �
Variabel radius memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [ , , ]. Selanjutnya dapat dicari himpunan fuzzy
72
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 = [− . . . ] b) Himpunan = [ . . . ] c) Himpunan = [ . . . ]
Dari ketiga himpunan fuzzy tersebut, selanjutnya dapat diperoleh fungsi keanggotaan (Persamaan 2.24) sebagai berikut:
= { , − . atau . − − . , , − . < . . − , , . < .
73 = { , . atau . − . , , . < . . − , , . < . = { , . atau . − , , , . < . . − , , . < .
Setelah diperoleh ketiga fungsi keanggotaan tesebut, selanjutnya dilakukan substitusi nilai . Misal, data ke-1 pada variabel Radius � yang terdapat pada Lampiran 3 halaman 120 yaitu , . Maka hasil substitusi dari = , pada fungsi keanggotaan di atas diperoleh
= . − ,, = , , = , − .
, = , , dan = .
Kemudian nilai derajat keanggotaan tersebut digunakan sebagai variabel input. Sehingga nilai derajat keanggotaan untuk data yang pertama yaitu
[ , , ]. Selanjutnya prosedur perhitungan tersebut dilakukan
untuk nilai yang berbeda sampai data terakhir pada variabel radius � . 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 �
Variabel Texture � memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [ , , ], sehingga didapatkan 3 himpunan fuzzy dengan fungsi keanggotaan segitiga antara lain, yaitu:
74 a) Himpunan = [ , , , ] b)Himpunan = [ , , , ] c) Himpunan = [ , , , ]
Data ke-1 pada variabel Texture � yang terdapat pada Lampiran 3 halaman 120 yaitu , . Maka diperoleh derajat keanggotaannya adalah
= , , = , , dan = .
3) Perimeter �
Variabel Perimeter � memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [ , , ], sehingga didapatkan 3 himpunan fuzzy dengan fungsi keanggotaan segitiga antara lain, yaitu:
a) Himpunan = [− , , , ] b) Himpunan = [ , , , ] c) Himpunan = [ , , , ]
Data ke-1 pada variabel Perimeter � yang terdapat pada Lampiran 3 halaman 120 yaitu , . Maka diperoleh derajat keanggotaannya adalah =
, , = , , dan = .
4) Area �
Variabel Area � memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [ , ], sehingga didapatkan 3 himpunan fuzzy dengan fungsi keanggotaan segitiga antara lain, yaitu:
a) Himpunan = [− , ]
b) Himpunan = [ , ]
75
Data ke-1 pada variabel Area � yang terdapat Lampiran 3 halaman 120 yaitu , . Maka diperoleh derajat keanggotaannya adalah = , ,
= , , dan = .
5) Smoothness �
Variabel Smoothness � memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [ , , ], sehingga didapatkan 3 himpunan fuzzy dengan fungsi keanggotaan segitiga antara lain, yaitu:
a) Himpunan = [− , , , ]
b) Himpunan = [ , , , ]
c) Himpunan = [ , , , ]
Data ke-1 pada variabel Smoothness � yang terdapat pada Lampiran 3 halaman 120 yaitu , . Maka diperoleh derajat keanggotaannya adalah
= , = , , dan = , .
6) Compactness �
Variabel Compactness � memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [ , , ], sehingga didapatkan 3 himpunan fuzzy dengan fungsi keanggotaan segitiga antara lain, yaitu:
a) Himpunan = [− , , , ]
b) Himpunan = [ , , , ] c) Himpunan = [ , , , ]
Data ke-1 pada variabel Compactness � yang terdapat pada Lampiran 3 halaman 120 yaitu , . Maka diperoleh derajat keanggotaannya adalah
76 7) Concavity �
Variabel Concavity � memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [ , , ], sehingga didapatkan 3 himpunan fuzzy dengan fungsi keanggotaan segitiga antara lain, yaitu:
a) Himpunan = [− , , , ] b) Himpunan = [ , , , ] c) Himpunan = [ , , , ]
Data ke-1 pada variabel Concavity � yang terdapat pada Lampiran 3 halaman 120 yaitu , . Maka diperoleh derajat keanggotaannya adalah
= , , = , , dan = .
8) Concave Points �
Variabel Concave Points � memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [ , , ], sehingga didapatkan 3 himpunan fuzzy dengan fungsi keanggotaan segitiga antara lain, yaitu:
a) Himpunan ℎ = [− , , , ]
b) Himpunan ℎ = [ , , , ] c) Himpunan ℎ = [ , , , ]
Data ke-1 pada variabel Concave Points � yang terdapat pada Lampiran 3 halaman 120 yaitu , . Maka diperoleh derajat keanggotaannya adalah ℎ = , , ℎ = , , dan ℎ = .
77 9) Symmetry �
Variabel Symmetry � memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [ , , ], sehingga didapatkan 3 himpunan fuzzy dengan fungsi keanggotaan segitiga antara lain, yaitu:
a) Himpunan = [ , , , ] b) Himpunan = [ , , , ] c) Himpunan = [ , , , ]
Data ke-1 pada variabel Symmetry � yang terdapat pada Lampiran 3 halaman 120 yaitu , . Maka diperoleh derajat keanggotaannya adalah
= , , = , , dan = .
10)Fractal Dimension �
Variabel Fractal Dimension � memiliki himpunan universal yang telah diketahui sebelumnya, yaitu [ , , ]. , sehingga didapatkan 3 himpunan fuzzy dengan fungsi keanggotaan segitiga antara lain, yaitu:
a) Himpunan = [ , , , ]
b) Himpunan = [ , , , ]
c) Himpunan = [ , , , ]
Data ke-1 pada variabel Fractal Dimension � yang terdapat pada Lampiran 3 halaman 120 yaitu , . Maka diperoleh derajat keanggotaannya adalah = , , = , , dan = .
Proses pembelajaran FRBFNN selanjutnya yaitu normalisasi data. Data input yang merupakan hasil fuzzifikasi dari langkah sebelumnya dinormalisasi
78
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 , − , − ,
79
No. Variabel Hasil Normalisasi
8 Normal Nucleoli , − , − , 9 Mitoses , − , − , 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 , − ,
80
No. Variabel Hasil Normalisasi
6 Compactness , − , − , 7 Concavity , − , − , 8 Concave Points , − , − , 9 Symmetry − , , − , 10 Fractal Dimension , − , − ,
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 212.
81
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 FRBFNN Menggunakan Data WBCD Cluster Akurasi Training (%) Akurasi Testing (%) 4 96,875 97,5 5 97,5 97,5 6 97,5 97,5 7 97,5 100 8 97,5 97,5 9 96,25 97,5
82 Cluster Akurasi Training (%) Akurasi Testing (%) 10 96,875 97,5 11 98,75 97,5 12 96,875 97,5 13 98,125 97,5 14 96,875 97,5 15 96,25 97,5 16 96,25 97,5 17 97,5 97,5 18 97,5 97,5 19 97,5 97,5 20 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
83
mempunyai arsitektur 9 neuron pada lapisan input, 7 neuron pada lapisan tersembunyi, dan 1 neuron pada lapisan output dengan fungsi aktivasi yang digunakan pada lapisan tersembunyi adalah fungsi aktivasi gaussian dan fungsi aktivasi yang digunakan pada lapisan output adalah fungsi linear atau identitas.
Arsitektur FRBFNN jaringan terbaik yang digunakan untuk klasifikasi stadium kanker payudara yaitu 9 neuron berupa crisp input pada input layer yaitu sampai , 27 neuron fuzzy pada input layer, � sampai � untuk 7 neuron pada lapisan tersembunyi, dan untuk 1 neuron outputnya dapat dilihat pada Gambar 3.9 berikut.
Gambar 3. 9 Arsitektur FRBFNN untuk Klasifikasi Stadium Kanker Payudara pada Data WBCD Input Layer: Crisp Input Input Layer: Fuzzy Input Hidden Layer Output Layer bias � � � … � 1 y … … . . . . . . .
84
b. Wisconsin Diagnostic Breast Cancer Database (WDBC)
Proses K-Means clustering pada data WDBC dilakukan dengan menggunakan program Minitab dan dilakukan secara trial and error untuk menentukan banyak cluster yang menghasilkan akurasi terbaik.
Tabel 3.6 berikut menunjukkan hasil akurasi dari beberapa cluster dengan menggunakan metode K-Means clustering pada pembelajaran FRBFNN.
Tabel 3. 6 Persentase Akurasi Data Training dan Data Testing pada Model FRBFNN Menggunakan Data WDBC Cluster Akurasi Training (%) Akurasi Testing (%) 4 88,75 90 5 87,5 90 6 90 87,5 7 90 90 8 90,625 90 9 89,375 87,5 10 90,625 87,5 11 91,25 85 12 92,5 85 13 91,875 92,5 14 92, 85 15 93,75 87,5 16 93,75 90 17 95 90 18 95 90 19 92,5 87,5 20 92,5 87,5
Berdasarkan tabel 3.6 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
85
training dan testing dimana secara keseluruhan hasil akurasi pada data training dan data testing menunjukkan pola yang tidak beraturan.
Pada cluster 17 dan 18 memiliki nilai akurasi data training dan testing yang sama dengan nilai akurasi data training merupakan nilai akurasi yang terbaik yaitu 95%. Sedangkan nilai akurasi terbaik untuk data testing diperoleh pada cluster 13. Akan tetapi, karena data training digunakan untuk membangun sebuah model dan mendapatkan bobot yang sesuai, sedangkan data testing digunakan hanya untuk mengetahui tingkat keakuratan hasil dengan nilai sebenarnya maka diantara cluster 17 dan cluster 18 dapat dipilih salah satu sebagai jaringan optimum. Agar menghasilkan model yang lebih sederhana, pada tugas akhir ini dipilih cluster 17 dengan nilai akurasi training 95% dan nilai akurasi testing 90% sebagai jaringan yang menghasilkan akurasi optimum. Nilai pusat dan jarak terlampir pada Lampiran 17 halaman 223. Dengan demikian model FRBFNN terbaik untuk klasifikasi stadium kanker payudara yang digunakan pada tugas akhir ini yaitu mempunyai arsitektur 10 neuron pada lapisan input, 17 neuron pada lapisan tersembunyi, dan 1 neuron pada lapisan output dengan fungsi aktivasi yang digunakan pada lapisan tersembunyi adalah fungsi aktivasi gaussian dan fungsi aktivasi yang digunakan pada lapisan output adalah fungsi linear atau identitas.
Arsitektur FRBFNN jaringan terbaik yang digunakan untuk klasifikasi stadium kanker payudara dengan menggunakan data WDBC adalah 10 neuron berupa crisp input pada input layer yaitu sampai , 30 neuron fuzzy pada
86
input layer, � sampai � untuk 17 neuron pada lapisan tersembunyi, dan untuk 1 neuron outputnya dapat dilihat pada Gambar 3.10 berikut.
Gambar 3. 10 Arsitektur FRBFNN untuk Klasifikasi Stadium Kanker Payudara pada Data WDBC