K-Means Clustering to Design Radial Basis Function Neural Network (RBFNN) Classifiers

Abstract

Radial Basis Function Neural Network (RBFNN) is hybrid network. It is combinationtraining both supervised and unsuvervised. RBFNN does not use generally activationfunction in Neural Network. It use radial based function. Dalam proses membangunarsitektur JSTRBF membutuhkan proses cluster. Pada penelitian ini, penulismenggunakan algoritma K-Means Clustering, dimana algoritma ini menjadi algoritma yangefisien dan efektif dalam mengolah data. K-Means Clustering merupakan salah satualgoritma clustering dengan tujuan untuk membagi data menjadi beberapa kelompok.Algoritma ini akan mengelompokkan data atau objek ke dalam k buah kelompok (cluster)yang diinginkan. Penentuan jumlah cluster pada JSTRBF mempengaruhi akurasi dariJSTRBF dalam melakukan klasifikasi. Hasil penelitian ini menyatakan desain arsitekturJSTRBF yang memiliki akurasi terbaik pada jumlah 3 cluster dengan nilai akurasi sebesar87,06%. Akan tetapi jika jumlah cluster pada JSTRBF di atas 4 cluster nilai akurasi dibawah 50%.

Optimasi Fungsi Pembelajaran Backpropagation dalam Mengklasifikasikan Pasien Kanker Paru Pasca Operasi

“…Yang mana fungsi-fungsi tersebut memiliki hasil yang berbeda-beda dalam melakukan pembelajaran (Fagustina et al, 2014). Sedangkan klasifikasi adalah teknik yang berujuan untuk mengelompokkan data berdasarkan persamaan karakteristik sehingga menghasilkan informasi yang bermanfaat (Urva, 2016).…”

Segmentation of Credit Card Customers Based on Their Credit Card Usage Behavior using The K-Means Algorithm

“…The learning algorithm groups the data into k clusters without knowing the target class. This learning is included in unsupervised learning (Urva, 2016). Determining k is assisted using the elbow method (Bholowalia and Kumar, 2018).…”