HALAMAN JUDUL

APLIKASI MODEL FUZZY RADIAL BASIS FUNCTION NEURAL

NETWORK (FRBFNN) UNTUK KLASIFIKASI STADIUM KANKER
PAYUDARA
PROPOSAL SKRIPSI
Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Negeri Yogyakarta
untuk Memenuhi Sebagian Persyaratan guna Memperoleh Gelar Sarjana Sains

Oleh:
Rifatin Ambar Retno
NIM 13305141055

PROGRAM STUDI MATEMATIKA

JURUSAN PENDIDIKAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS NEGERI YOGYAKARTA
2017

HALAMAN PERSETUJUAN

HALAMAN PENGESAHAN

HALAMAN PERNYATAAN

MOTTO

HALAMAN PERSEMBAHAN

ABSTRAK

KATA PENGANTAR

DAFTAR ISI

HALAMAN PERSETUJUAN................................................................................ii
HALAMAN PENGESAHAN................................................................................iii
HALAMAN PERNYATAAN.................................................................................iv
MOTTO...................................................................................................................v
HALAMAN PERSEMBAHAN.............................................................................vi
ABSTRAK.............................................................................................................vii
KATA PENGANTAR...........................................................................................viii
DAFTAR ISI...........................................................................................................ix
DAFTAR TABEL....................................................................................................x
DAFTAR GAMBAR...............................................................................................x
DAFTAR LAMPIRAN............................................................................................x
DAFTAR SIMBOL..................................................................................................x
BAB I.......................................................................................................................1
PENDAHULUAN...................................................................................................1
A. Latar Belakang............................................................................................1
B. Pembatasan Masalah.....................................................................................4
C. Rumusan Masalah.........................................................................................4
D. Tujuan Penelitian..........................................................................................4
E. Manfaat Penelitian........................................................................................4
DAFTAR PUSTAKA.............................................................................................5

DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR LAMPIRAN
DAFTAR SIMBOL

10

BAB I
PENDAHULUAN
A. Latar Belakang
Kanker merupakan salah satu penyebab kematian utama di seluruh dunia.
Berdasarkan data GLOBOCAN, International Agency for Research on Cancer
(IARC) pada tahun 2008 sampai tahun 2012 terdapat 14,1 juta kasus kanker baru,
8,2 juta kematian akibat kanker dan 32,6 juta orang yang hidup dengan kanker.
Kanker payudara menduduki peringkat kelima sebagai penyebab kematian kanker
di seluruh dunia. Sejauh ini, kanker payudara paling banyak diderita oleh wanita
dengan perkiraan 1,67 juta kasus kanker baru didiagnosis pada tahun 2012.
Penyakit kanker serviks dan payudara merupakan penyakit kanker dengan
prevalensi tertinggi di Indonesia pada tahun 2013, yaitu kanker serviks sebesar 0,8
% atau sekitar 98.692 penderita dan kanker payudara sebesar 0,5% atau sekitar
61.682 penderita. Provinsi Kepulauan Riau, Provinsi Maluku Utara, dan Provinsi
D.I. Yogyakarta memiliki prevalensi kanker serviks tertinggi yaitu sebesar 1,5%
atau diperkirakan sekitar 2.703 wanita di Indonesia menderita kanker payudara,
sedangkan prevalensi kanker payudara tertinggi terdapat pada Provinsi D.I.
Yogyakarta, yaitu sebesar 2,4% atau sekitar 4.325 wanita di Provinsi D.I
Yogyakarta menderita kanker payudara. (Data Riset Kesehatan Dasar 2013, Badan
Litbangkes Kementerian Kesehatan RI dan Data Penduduk Sasaran, Pusdatin
Kementerian Kesehatan RI, 2013).
Menurut Shelley E. Taylor (2015), kanker adalah kumpulan lebih dari 100
penyakit yang memiliki beberapa faktor yang sama. Semua kanker disebabkan

karena tidak berfungsinya bagian pemrograman selular dalam DNA yang

mengendalikan pertumbuhan sel dan reproduksi. DNA yang rusak ini
menyebabkan pertumbuhan dan pembelahan sel terlalu cepat. Hal ini
mengakibatkan sel-sel baru tersebut menjadi parasit bagi tubuh. Kanker payudara
dimulai ketika sel-sel di payudara mulai tumbuh di luar kendali. Sel-sel ini
biasanya membentuk tumor atau sebagai benjolan. Tumor ganas (kanker) terjadi
jika sel-sel dapat tumbuh (menyerang) sekitar jaringan atau menyebar
(bermetastasis) ke daerah-daerah yang jauh dari tubuh. Kanker payudara terjadi
hampir seluruhnya pada wanita, tetapi pria juga dapat mengalaminya. Kanker
payudara pada pria lebih jarang terjadi daripada kanker payudara pada wanita.
Perbandingannya yaitu 1 dari 150 kasus kanker payudara. Kelompok usia dan
perwujudannya hampir sama dengan wanita, yaitu gumpalan, pembentukan ulser
dan cairan. Pedoman pengelolaannya hampir sama dengan yang dijalani wanita
(Gejala dan Tanda dalam Kedokteran Klinis, 2012: 337). Berdasarkan American
Cancer Society pada tahun 2016, tercatat sebanyak 249.260 kasus kanker
payudara di USA dimana 246.660 kasus diantaranya dialami oleh wanita
sedangkan 2.600 kasus pada pria.
Faktor risiko yang erat kaitannya dengan peningkatan insiden kanker
payudara antara lain jenis kelamin wanita, usia > 50 tahun, riwayat keluarga dan
genetik (Pembawa mutasi gen BRCA1, BRCA2, ATM atau TP53 (p53)), riwayat
penyakit payudara sebelumnya (DCIS pada payudara yang sama, LCIS, densitas
tinggi pada mamografi), riwayat menstruasi dini (< 12 tahun) atau menarche
lambat (>55 tahun), riwayat reproduksi (tidak memiliki anak dan tidak menyusui),
hormonal, obesitas, konsumsi alkohol, riwayat radiasi dinding dada, faktor

lingkungan (Komite Nasional Penanggulangan Kanker, Kementerian Kesehatan

RI, 2015). Oleh karena itu, pengenalan penyakit kanker merupakan hal yang
paling penting untuk dilakukan guna meningkatkan kewaspadaan dan
pengetahuan mengenai penyakit kanker payudara, serta menggerakkan individu
untuk melakukan upaya pencegahan, deteksi dini dan pengobatan terhadap
penyakit kanker payudara, sehingga resiko terkena kanker payudara dapat
dikurangi.
Pencegahan dan deteksi dini perlu dilakukan untuk mengurangi atau
meniadakan faktor-faktor risiko yang diduga sangat erat kaitannya dengan
peningkatan insiden kanker payudara. Beberapa tindakan pencegahan yang dapat
dilakukan yaitu dengan memeriksa payudara sendiri (SADARI), pemeriksaan
payudara secara klinis (SADANIS) serta dapat juga dilakukan mammografi
(Kementerian Kesehatan RI, 2015). Menurut American Cancer Society (2016),
pemeriksaan mammografi merupakan tes pencitraan menggunakan x-ray, medan
magnet, gelombang suara, atau zat radioaktif yang dapat membuat gambar dari
bagian dalam tubuh. Tes pencitraan dapat dilakukan untuk sejumlah alasan,
termasuk untuk membantu mengetahui area mencurigakan yang memungkinkan
menjadi kanker, mengetahui seberapa jauh kanker mungkin telah menyebar, dan
untuk membantu menentukan apakah pengobatan bekerja. Tes pencitraan ini yaitu
Mammogram, Ultrasound, dan Magneting Resonance Imaging (MRI). Selain tes
pencitraan tersebut National Cancer Institute (2016) menyebutkan terdapat tes
lain yang dapat mendiagnosa kondisi payudara yaitu Clinical Breast Exam (CBE),
tes pengujian darah serta biopsy dimana terdapat beberapa macam tes biopsy
yaitu, excisional biopsy, incisional biopsy, core biopsy dan Fine-needle Aspiration

(FNA) biopsy. Dari sejumlah tes tersebut, skrining payudara dengan mamografi
adalah satu-satunya metode skrining yang telah terbukti efektif. Hal tersebut
berdasarkan hasil survey yang menjelaskan bahwa program skrining mammografi
yang berbasis populasi dapat mengurangi sekitar 20% angka kematian akibat
kanker payudara untuk semua kelompok umur (World Health Organization,
2016).
Penelitian-penelitian terdahulu telah dikembangkan terkait dengan
diagnosa kanker payudara. Beberapa diantaranya yaitu penelitian yang dilakukan
oleh Tita Suwening Apriani (2015) dengan membandingkan model Recurrent
Neural Network, Fuzzy Sugeno dan Recurrent Neuro Fuzzy untuk klasifikasi
stadium kanker payudara. Hasil dari penelitian tersebut didapatkan bahwa model
Recurrent Neural Network memiliki nilai sensitivitas, spesifisitas dan akurasi
yang lebih baik daripada model Fuzzy Sugeno dan Recurrent Neuro Fuzzy.
Sedangkan pada tahun 2010, Oky Dwi Nurhayati, Thomas Sri Widodo, Adhi
Susanto, dan Maesadji melakukan penelitian dengan meningkatkan citra
termogram untuk klasifikasi kanker payudara dengan berbasis Adaptive
Neuro Fuzzy Inference System (ANFIS). Penelitian lain dilakukan
oleh Bekaddour Fatima and Chikh Mohammed Amine (2012), yang melakukan
penelitian

untuk

mendiagnosa

kanker

payudara

dengan

menggunakan

pengembangan database Wisconsin Breast Cancer Diagnosis (WBCD) sebagai

sistem diagnosa serta menggunakan teknik inferensi neuro-fuzzy yaitu ANFIS
(Adaptive Neuro-Fuzzy Inference System).
Seiring dengan perkembangan kemampuan intelektual manusia untuk
menciptakan penelitian baru dan mengembangkan penelitian-penelitian terdahulu

agar dapat memperoleh hasil diagnosa yang lebih akurat, maka muncullah
berbagai macam metode dan penelitian baru terkait klasifikasi stadium kanker
payudara maupun diagnosa untuk pasien penderita kanker payudara. Fuzzy Radial
Basis Function Neural Network (FRBFNN) merupakan salah satu metode yang
dapat digunakan untuk diagnosa dan klasifikasi kanker payudara. Fuzzy Radial
Basis Function Neural Network (FRBFNN) merupakan gabungan dari sistem
fuzzy, Radial Basis Function (RBF) dan Neural Network (NN).
Logika fuzzy merupakan salah satu komponen pembentuk soft computing.
Soft computing merupakan suatu model pendekatan untuk melakukan komputasi
dengan meniru kemampuan akal manusia yang luar biasa untuk menalar dan
belajar

pada

lingkungan

yang

memiliki

ketidakpastian

dan

ketidaktepatan (Jang et al, 1997). Beberapa teknik dalam soft computing antara
lain sistem fuzzy, Artificial Neural Network (ANN), algoritma evolusioner, dan
probabilistic reasoning. Adakalanya tehnik-tehnik dalam soft computing saling
digabungkan untuk mendapatkan algoritma yang lebih sempurna. Salah satu
karakteristik dari soft computing yaitu model komputasi yang berbasis biologis
yang mampu menangani permasalahan yang berkaitan dengan persepsi,
pengenalan pola, regresi non linier dan klasifikasi. Sehingga klasifikasi yang perlu
dilakukan untuk menelusuri sebaran dan karakteristik hasil pemeriksaan diagnosa
kanker payudara dapat diselesaikan dengan teknik soft computing salah satunya
dengan menggunakan logika fuzzy. Logika fuzzy digunakan sebagai suatu cara
untuk memetakan permasalahan dari input menuju ke output yang diharapkan (Sri
Kusumadewi & Hari Purnomo, 2010). Menurut R. Rojas (1996), logika fuzzy
dapat dikonseptualisasikan sebagai generalisasi dari logika klasik dimana metode-

metode pada logika fuzzy dapat digunakan untuk memberikan interprestasi dari
suatu nilai output pada unit yang tidak terbatas dari 0 sampai 1.
Fuzzy Neural Network (FNN) merupakan salah satu gabungan sistem
fuzzy dengan ANN. Artificial Neural Network (ANN) adalah sistem informasi
pengolahan yang memiliki karakteristik kinerja yang sama dengan jaringan saraf
biologis. ANN telah dikembangkan sebagai generalisasi model matematika
berdasarkan asumsi bahwa pengolahan informasi terjadi pada banyak elemen
sederhana yang disebut neuron (Laurene Fausett, 1993:3). Model FNN merupakan
arsitektur jaringan yang dirancang untuk memroses data-data fuzzy. Pada FNN,
parameter-parameter yang dimiliki ANN yang biasanya disajikan secara crisp,
dapat diganti dengan parameterparameter fuzzy (Lin & Lee, 1996:609). Model
FNN sering digunakan untuk sistem kendali, penyelesaian masalah prediksi yang
bersifat runtun waktu, dan klasifikasi pola.
Penelitian-penelitian sebelumnya yang menggunakan FNN telah dilakukan
antara lain penelitian oleh Zuraida (2016) menggunakan Fuzzy Neural Network
(FNN) dengan model Feedforward Neural Network dengan input berupa variabelvariabel fuzzy dan output berupa klasifikasi stadium kanker kolorektal. Penelitian
lainnya dilakukan oleh Mohammed (2014) dengan mengkombinasikan metode
fuzzy logic system dan fuzzy neural network (FNN) pada sistem kesalahan
diagnosa.
Radial Basis Function (RBF) adalah tipe khusus dari neural network yang
menggunakan radial basis function sebagai fungsi aktivasinya (Tiruvenkadam
Santhanam & A.C. Subhajini, 2011). Jaringan ini terdiri dari tiga layer
yaitu

input

layer,

hidden

layer

dan

output

layer.

Fungsi

aktivasinya adalah fungsi basis dan fungsi linear pada lapisan

output. Ada banyak fungsi basis yang dapat digunakan untuk
membangun neural network di antaranya yaitu: linear, Gaussian,
multikuadratik, invers multikuadratik dan sebagainya. Radial basis
function (RBF) neural network merupakan salah satu jenis dari Artificial Neural
Network (ANN) yang memiliki kelebihan tertentu termasuk kemampuan
pendekatan yang lebih baik, jaringan arsitektur sederhana dan algoritma
pembelajaran yang lebih cepat. Ide utama jaringan saraf RBF adalah untuk
menciptakan jumlah neuron tersembunyi yang tepat dan menentukan bobot
masing-masing neuron (Alexey V. Zakharov et al, 2014).
Penelitian terkait dengan Radial Basis Function (RBF) telah banyak
dilakukan sebelumnya, salah satunya oleh Masala, Golosio, Cutzu, dan
Pola (2013) yang menggunakan pengklasifikasian dua layer berdasarkan
metode Radial Basis Function (RBF) untuk skrining Talasemia. Sedangkan pada
tahun 2005, Rully, Diana dan Ariadi menggunakan metode pengklasifikasian
hybrid berbasis Radial Basis Function (RBF) dan pohon keputusan induktif untuk
pengembangan sistem pengenalan wajah. Selain itu, penelitian-penelitian yang
lainnnya terkait Radial Basis Function (RBF) juga dilakukan pada kasus
pengklasifikasian dan diagnosa kanker payudara. Diantaranya yaitu penelitian
yang dilakukan oleh Aziza (2016) yang membandingkan 2 metode clustering yang
berbeda yaitu K Means dan C Means pada model Radial Basis Function Neural
Network (RBFNN) untuk klasifikasi stadium kanker payudara. Hasil yang
diperoleh dari penelitian tersebut menunjukkan bahwa metode K Means
clustering lebih baik dibandingkan C Means dengan nilai sensitivitas, spesifisitas,

dan akurasi pada metode K Means clustering secara berurutan adalah 75%,
93,75%, dan 80,21% untuk data training dan 81,25%, 75%, dan 79,17% untuk
data testing. Penelitian lain dilakukan oleh Reddy, Thammi, Valli dan Kamadi
pada tahun 2014 yang melakukan klasifikasi kanker payudara dengan
menggunakan RBF dan Kernel polynomial fungsi Support Vector Machine (SVM)
dengan nilai yang berbeda dari RBF_Sigma, Box Kendala dan polyorder argumen
yang menyebabkan hasil akurasi klasifikasi yang tinggi yaitu 97,13 %.
Fuzzy Radial Basis Function Neural Network (FRBFNN) adalah
fuzzifikasi dari hasil input, output dan bobot dari RBFNN. Pendekatan FRBFNN
dibangun atas dasar meminimalkan kuadrat dari total perbedaan antara output
pengamatan dan output perkiraan. Kelebihan dari metode ini yaitu memiliki
algoritma pelatihan sederhana serta memiliki prosedur perhitungan yang mudah
(Nimet & Aysen, 2016). Konsep dasar dari model jaringan syaraf Fuzzy Radial
Basis Function Neural Network (FRBFNN) ini adalah penerapan aplikasi teori
fuzzy ke dalam model dasar jaringan syaraf Radial Basis Function (RBF).
Langkah tersebut dimaksudkan untuk dapat mengembangkan kualitas hasil output
dari terbatasnya data dan menanggulangi kesalahan paralaks dalam pengukuran.
Model jaringan syaraf Fuzzy Radial Basis Function (FRBF) adalah model
unsupervised-and-supervised learning (Sheng-Chai Chi dan Li-Chang Hsu,
2001).
Penggunaan metode Fuzzy Radial Basis Function Neural Network
(FRBFNN) telah dilakukan dalam berbagai penelitian sebelumnya. Pada tahun
2008, Nimet dan Aysen melakukan penelitian untuk membandingkan antara Fuzzy
Kernel Regression (FKR) dengan Fuzzy Radial Basis Function Neural Network

(FRBFNN) dengan menggunakan modifikasi algoritma FCM pada nilai input dan
bobot yang merupakan bilangan fuzzy. Penelitian tersebut menggunakan data
percobaan pada produksi Turksih Pastrami dengan melakukan analisis
kimia,

mikrobiologi

dilakukan

oleh

serta

organoleptik.

Karthikeyeni

dan

Penelitian

Ramya

(2014)

lainnya
yang

membandingkan antara metode ANFIS dengan FRBFNN pada

prediksi waktu survival pasien kanker paru-paru. Hasilnya yaitu
bahwa teknik FRBF memiliki tingkat akurasiyang lebih tinggi dari
pada metode ANFIS. Pada tahun yang sama, Nisa, Mohammad Isa dan
Nieke menggunakan model jaringan syaraf Fuzzy Radial Basis Function untuk
peramalan nilai Biochemical Oxygen Demand (BOD) pada kali Surabaya. Tingkat
keberhasilan pengembangan kualitas hasil peramalan tersebut terlihat dari nilai
error yang kecil.
Hal-hal yang telah diuraikan di atas melatarbelakangi penulis untuk
melakukan

penelitian

mengenai

klasifikasi

stadium

kanker

payudara

menggunakan model Fuzzy Radial Basis Function Neural Network (FRBFNN).

Oleh karena itu, penelitian yang berjudul Aplikasi Model Fuzzy Radial Basis
Function Neural Network (FRBFNN) untuk Klasifikasi Stadium Kanker
Payudara diharapkan dapat memberikan hasil yang baik dan bermanfaat di
bidang matematika maupun kesehatan.

B. Pembatasan Masalah
Untuk menghindari pembahasan yang terlalu luas, batasan-batasan dalam
penelitian ini adalah sebagai berikut.
1. Citra mammogram yang diolah dan digunakan sebagai input diperoleh dari
Mamograph Image Analysis Society (MIAS).
9

2. Model yang digunakan untuk klasifikasi dalam penelitian ini adalah Fuzzy
Radial Basis Function Neural Network dengan fungsi keanggotaan fuzzy
adalah fungsi segitiga dan fungsi aktivasi Gaussian.
3. Pembelajaran RBFNN untuk mendapatkan bobot-bobot terbaik dilakukan
dengan bantuan MATLAB R2013a.
4. Jarak dan pusat cluster pada metode K-Means clustering didapatkan dengan
bantuan MINITAB.
5. Output RBFNN diklasifikasikan menjadi tiga, yaitu normal, tumor (benign),
dan kanker (malignant).
C. Rumusan Masalah
Berdasarkan latar belakang di atas maka permasalahan dalam penelitian
ini dapat dirumuskan sebagai berikut:
1. Bagaimana prosedur klasifikasi stadium kanker payudara menggunakan
Fuzzy Radial Basis Function Neural Network?
2. Bagaimana hasil klasifikasi stadium kanker payudara menggunakan
Fuzzy Radial Basis Function Neural Network?
D. Tujuan Penelitian
Berdasarkan rumusan masalah di atas maka tujuan penulisan penelitian ini adalah:
1. Mendeskripsikan prosedur klasifikasi stadium kanker payudara menggunakan
Fuzzy Radial Basis Function Neural Network.
3. Mendeskripsikan hasil klasifikasi stadium kanker payudara menggunakan
Fuzzy Radial Basis Function Neural Network.
E. Manfaat Penelitian
Manfaat yang dapat diperoleh dari penelitian ini adalah:
1. Bagi penulis

10

Bagi penulis sendiri, penulisan skripsi ini dapat menambah pengetahuan dan
wawasan tentang aplikasi model FRBFNN dan pemrograman MATLAB
dalam kehidupan sehari-hari, khususnya dalam bidang kesehatan.
2. Bagi para pembaca
Sebagai salah satu bahan dalam mempelajari model FRBFNN dan MATLAB
serta diharapkan penelitian ini dapat dijadikan sebagai referensi untuk
penelitian selanjutnya.
3. Bagi perpustakaan Universitas Negeri Yogyakarta
Penulisan skripsi ini juga bermanfaat dalam menambah koleksi bahan pustaka
yang bermanfaat bagi Universitas Negeri Yogyakarta pada umumnya, dan
mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam pada khususnya.

11

METODE PENELITIAN
Metode penelitian yang digunakan terdiri dari teknik pengumpulan data, teknik
analisis data dan diagram proses penelitian.
A Teknik Pengumpulan Data
Penelitian ini menggunakan data sekunder berupa data mammogram
yang diperoleh dari database Mammographic Image Analysis Society (MIAS)
melalui website http://peipa.essex.ac.uk/pix/mias . Citra mammografi tersebut
telah diketahui diagnosanya. Diagnosa pada citra mammografi tersebut dijadikan
sebagai target pembelajaran.
B Teknik Analisis Data
Analisis yang dilakukan adalah dengan membagi data menjadi dua
yaitu data latih dan data uji. Pemilihan data dilakukan dengan memilih data secara
acak pada data MIAS (Mammography Image Analysis Society) tanpa ada
perlakuan khusus. Analisis data bertujuan untuk mengklasifikasikan
kategori kanker payudara dengan menggunakan model fuzzy
radial basis function neural network. Langkah-langkah yang dilakukan
yaitu:
1. Ekstraksi Citra
Citra mammografi tersebut diolah dengan melakukan ektraksi citra.
Ekstraksi citra dilakukan untuk memperoleh parameter-parameter statistik dari
citra. Parameter-parameter statistik dihitung berdasarkan kombinasi intensitas
pixel pada posisi tertentu. Banyaknya pixel yang menyusun suatu gambar
tergantung pada resolusi gambar. Setiap pixel diwakili oleh bilangan bulat untuk

12

menunjukkan lokasinya dalam bidang citra dan sebuah bilangan bulat untuk
menunjukkan intensitas keabuan. Proses ekstraksi citra dapat dilakukan dengan
Gray Level Coocurrence Matrix (GLCM). Pengambilan parameter-parameter
statistik dilakukan menggunakan MATLAB dengan Image Processing Toolbox
dan system prototype yang didesain menggunakan Graphical User Interface
(GUI) agar lebih mudah.
2. Penentuan variabel input dan output
Variabel input model FRBFNN yang digunakan dalam tugas akhir ini
adalah hasil fuzzifikasi nilai-nilai ekstraksi citra mammogram payudara.
Fuzzifikasi input FRBFNN menggunakan fungsi keanggotaan representasi kurva
segitiga. Langkah-langkah dalam menentukan derajat keanggotaan sebagai
variabel input FRBFNN adalah sebagai berikut:
a. Mengidentifikasi Himpunan Semesta (U) untuk Setiap Input
Himpunan semesta merupakan himpunan yang memuat nilai-nilai dari
keseluruhan data yang akan digunakan. Dengan kata lain, nilai tersebut harus
masuk ke dalam interval himpunan semesta. Nilai yang 50 digunakan dalam
himpunan semesta pada tugas akhir ini adalah nilai minimum dan maksimum
pada hasil ekstraksi citra dari data training dan data testing.
b. Mendefinisikan Himpunan Fuzzy pada Input
Proses fuzzifikasi dilakukan dengan bantuan program Matlab R2013a.
Pada tugas akhir ini, himpunan fuzzy didefinisikan dengan menggunakan
fungsi keanggotaan segitiga. Banyaknya himpunan fuzzy pada masing-masing
input dilakukan peneliti dengan cara trial error.
c. Menentukan Maksimum dari Derajat Keanggotaan
Hasil ekstraksi citra dari setiap variabel data training dicari derajat
keanggotaannya melalui fungsi keanggotaan yang telah didefinisikan

13

sebelumnya. Selanjutnya, derajat keanggotaan terbesar digunakan sebagai

input untuk mencari model FRBFNN terbaik. Pencarian derajat keanggotaan
terbesar dilakukan dengan bantuan Microsoft Office Excel 2007.
3. Pembagian Data
Data hasil fuzzifikasi ekstraksi citra mammogram payudara yang telah
diperoleh dibagi menjadi 2, yaitu data training dan data testing. Data training
digunakan untuk mencari model terbaik, sedangkan data testing digunakan
untuk menguji ketepatan model yang telah diperoleh dari data training.
4. Normalisasi Data
Setelah diperoleh data input fuzzy dari proses fuzzifikasi, langkah
selanjutnya adalah data harus dinormalisasi sebelum dilakukan proses
pembelajaran RBFNN. Data tersebut dibawa ke bentuk normal yang memiliki
mean = 0 dan standar deviasi = 1. Perhitungan normalisasi pada tugas akhir
ini dilakukan dengan bantuan Matlab R2013a.
5. Pembelajaran Radial Basis Function Neural Network
Pembelajaran RBFNN terbagi menjadi 3 bagian. Pertama, menentukan pusat
dan jarak dari setiap fungsi basis menggunakan metode K-Means clustering
yang dilakukan dengan menggunakan aplikasi MINITAB. Bagian kedua
dalam pembelajaran RBFNN adalah menentukan jumlah fungsi basis (neuron
pada lapisan tersembunyi). Jumlah neuron pada lapisan tersembunyi sesuai
dengan

jumlah

cluster

yang

didapat

dari

metode

K-Means

clustering. Selanjutnya dalam metode RBFNN dilakukan aktivasi fungsi basis

pada lapisan tersembunyi. Dalam tugas akhir ini, aktivasi fungsi basis
dilakukan dengan MATLAB R2013a dengan program rbfDesign dan
globalridge.
6. Menentukan Jaringan Optimum
Proses RBFNN selanjutnya adalah pengoptimalan jaringan dan
pengoptimalan bobot. Jaringan optimum didapatkan dengan menentukan

14

neuron tersembunyi terlebih dahulu. Banyak neuron tersembunyi yang dapat

menghasilkan jaringan optimum adalah neuron yang dapat menghasilkan
akurasi terbaik. Dengan menggunakan metode trial and error, beberapa
cluster dicoba pada program MATLAB R2013a. Fungsi aktivasi yang
digunakan pada lapisan tersembunyi adalah fungsi aktivasi gaussian dan
fungsi

yang

digunakan

linear atau identitas.

7. Klasifikasi
Setelah jaringan

pada

lapisan

output

adalah

fungsi

selanjutnya

adalah

Mulai

optimum

didapatkan,

Citraoutput
Mammografi
pengklasifikasian.Ekstraksi
Dari hasil
yang didapatkan, masing-masing

pengamatan dapat diklasifikasikan sesuai target stadium kanker masingmasing

Menentukan Variabel Input dan Output

C Diagram Proses Penelitian

Berdasarkan
prosedurData
pemodelan
untuk klasifikasi stadium
Pembagian
TrainingFRBFNN
dan Testing
kanker payudara yang telah dijelaskan sebelumnya, dapat dibuat diagram prosedur
Normalisasi

pemodelan FRBFNN dari input hasil ekstraksi hingga didapatkan hasil klasifikasi
Pembelajaran RBFNN

yaitu seperti gambar berikut.

Menentukan Jaringan Optimum

Jaringan Optimum
Hasil jelek
Akurasi
Hasil baik
Model FRBFNN Terbaik

Hasil Klasifikasi Kanker Payudara

15
Selesai

Gambar 1. Diagram Prosedur Pemodelan FRBFNN

DAFTAR PUSTAKA
American Cancer Society. (2016). Breast Cancer. Diakses dari
http://www.cancer.org/cancer/breastcancer/ pada 08 Desember 2016 pukul
17:21 WIB.
Kementerian Kesehatan RI. (2015). InfoDATIN Pusat Data dan Informasi
Kementerian
Kesehatan
RI.
Diakses
dari
http://www.depkes.go.id/resources/download/pusdatin/infodatin/infodatink
anker.pdf pada 08 Desember 2016 pukul 16:40 WIB.
Komite Nasional Penanggulangan Kanker, Kementerian Kesehatan RI. (2015).
Panduan
Penatalaksanaan
Kanker
Payudara.
Diakses
dari
http://kanker.kemkes.go.id/guidelines/PPKPayudara.pdf
pada
08
Desember 2016 pukul 20:37 WIB.
International Agency of Reseacrh on Cancer (2016). GLOBOCAN 2012:
Estimated Cancer Incidence, Mortality and Prevalence Worldwide in
2012. Diakses dari http://globocan.iarc.fr/Pages/fact_sheets_cancer.aspx
pada 08 Desember 2016 pukul 08:51 WIB.
Taylor, Shelley E. (2015). Health Psychology. California: University of California.
9th Edition.
Houghton, Andrew R. & Gray, David. (2012). Gejala dan Tanda dalam
Kedokteran Klinis. (Alih bahasa: Paramita). Jakarta: PT. Indeks.
Tita Suwening Apriani. (2015). Perbandingan Klasifikasi Kanker Payudara
Menggunakan Model Recurrent Neural Network, Fuzzy Sugeno dan
Recurrent Neuro Fuzzy. Skripsi Universitas Negeri Yogyakarta.
Oky Dwi Nurhayati, dkk. (2010). Peningkatan Citra Termogram untuk
Klasifikasi Kanker Payudara dengan Berbasis Adaptive Neuro
Fuzzy Inference System (ANFIS). ELECTRICIAN Jurnal
Rekayasa dan Teknologi Elektro. Vol 4. No. 1. Hlm. 33-37.
Fatima, Bekaddour & Amine, Chikh Mohammed. (2012). A Neuro-Fuzzy
Inference Model for Breast Cancer Recognition. International Journal of
Computer Science & Information Technology (IJCSIT). Vol 4. No 5. Hlm.
163-173.
National Cancer Institute. (2016). Breast Cancer Treatment-Patient Version.
Diakses dari https://www.cancer.gov/types/breast/patient/breast-treatmentpdq pada 21 Desember 2016 pukul 20:06 WIB.
World Health Organization. Breast Cancer: Prevention and Control. Diakses dari
http://www.who.int/cancer/detection/breastcancer/en pada 22 Desember
2016 pukul 05:29.
Jang, J.-S. R., Sun, C.-T., & Mizutani, Eiji. (1997). Neuro-Fuzzy and Soft
Computing. Upper Saddle River: Prentice Hall.

16

Sri Kusumadewi & Hari Purnomo. (2010). Aplikasi Logika Fuzzy untuk
Pendukung Keputusan. Yogyakarta: Graha Ilmu.
Roujas, R. (1996). Neural Network: A Systematic Intoduction. Berlin: SpringerVerlag.
Fausett, Lauren. (1993). Fundamental of Neural Networks. Englewood Cliffs:
Prentice Hall.
Lin, C.-T., & Lee, G. (1996). Neuro Fuzzy Systems. Upper Saddle River, New
Jersey: Prentice-Hall.
Zuraida Rahmawati. (2016). Klasifikasi Stadium Kanker Kolorektal
Menggunakan Sistem Fuzzy Neural Network. Skripsi Universitas Negeri
Yogyakarta.
Mohammed, A.H. (2014). A Fuzzy Neural Network Fault Diagnostic System.
International Journal of Computer Applications (IJCA). Vol. 94. No. 1.
Hlm. 9-13.
Santhanam, Tiruvenkadam & Subhajini, A.C. (2011). An Efficient Weather
Forecasting System Using Radial Basis Function Neural Network. Journal
of Computer Science 7. Hlm. 962-966.
V. Zakharov, Alexey et al. (2014). A New Approach to Radial Basis Function
Approximation and Its Application to QSAR. Journal of Chemical
Information and Modelling (JCIM). Hlm. 713-719.
Masala, G.L., Golosio, B. & Pola, R. (2013). A two-layered classifier based on the
radial basis function for the screening of thalassaemia. Elsevier Computers
in Biology and Medicine. Hlm. 17241731.
Rully Soelaiman, Diana Purwitasari & Ariadi Retno Tri Hayati. (2005).
Pengembangan
Sistem
Pengenalan
Wajah
Dengan
Metode
Pengklasifikasian Hibrid Berbasis Jaringan Fungsi Basis Radial Dan
Pohon Keputusan Induktif. Jurnal Informatika Universitas Kristen Petra.
Vol. 6, No. 2, Hlm. 115-124.
Aziza Ratna Kumala. (2016). Perbandingan K-Means dan Fuzzy C-Means
Clustering pada Model Radial Basis Function Neural Network (RBFNN)
untuk Klasifikasi Stadium Kanker Payudara. Skripsi Universitas Negeri
Yogyakarta.
Pehlivan, Nimet Yapici & Apaydin, Aysen. (2016). Fuzzy Radial Basis Function
Network for Fuzzy Regression with Fuzzy Input and Fuzzy Output.
Journal International of Springer. Hlm. 61-73.
Chi, Sheng-Chai dan Li-Chang Hsu. (2001). A Fuzzy Radial Basis Function
Neural Network for Predicting Multiple Quality Characteristics of Plasma
Arc Welding. IEEE. Vol. 05. Hlm. 2807-2812.
Pehlivan, Nimet Yapici & Apaydin, Aysen. (2008). On the Comparison of Fuzzy
Kernel Regression Estimator and Fuzzy Radial Basis Function Networks.
G.U. Journal of Science. Vol. 03. Hlm. 87-95.

17

Karthikeyeni, S. & Ramya, S. (2014). Comparitive Analysis of ANFIS and FRBFSurvival Time Prediction of Lung Cancer Patient. International Journal of
Advanced Research in Computer and Communication Engineering
(IJARCCE). Vol. 03. Hlm. 7992-7995.
Nisa Ayunda, Mohammad Isa Irawan & Nieke Karnaningroem. (2014). Model
Jaringan Syaraf Fuzzy Radial Basis Function untuk Peramalan Nilai BOD
pada Kali Surabaya. Prosiding, Seminar Nasional Matematika. Semarang:
FMIPA UNNES.
Ross, T.J, (2010). Fuzzy Logic with Engineering Applications, Third Edition.
United Kingdom: John Willey & Sons, Ltd.

18

http://marathon.csee.usf.edu/Mammography/Database.html
www.depkes.go.id/download.php?file=download/pusdatin/ buletin/buletin-kanker
20:25
http://www.kanker.kemkes.go.id/guidelines/PPKPayudara.pdf 20:37
http://www.nationalbreastcancer.org/breast-cancer-facts 20:58
http://www.breastcancer.org/symptoms/understand_bc/what_is_bc 21:18
8 des

19