Article Sidebar

Submitted
Jul 1, 2022
Published
Aug 28, 2022
Download
PDF
Statistic
Read Counter : 0 Download : 0

Main Article Content

Abstract

Pada penelitian ini dilakukan uji simulasi data berskala besar sehingga diperlukan metode yang handal untuk permasalahan klasifikasi salah satunya adalah Radial Basis Function Neural Network (RBFNN). Untuk training data RBFNN menggunakan struktur khusus yang melibatkan dimensi tinggi pada hidden layer. Dengan struktur RBFNN yang khusus tersebut maka seringkali menimbulkan permasalahan karena hidden layernya terlalu besar, sehingga diperlukan penambahan metode penyederhaan jaringan seperti PCA dan K-Means Clustering. Metode PCA digunakan untuk mereduksi dimensi input pada RBFNN sedangkan metode K-Means Clustering digunakan untuk penentuan inisialisasi center awal pada RBFNN. Pada hasil percobaan metode PCA dihasilkan komponen utama ke-1 dan ke-2 dengan masing-masing mewakili 55.2288% dan 27.3108% dari seluruh variabilitas, secara kumulatif kedua komponen utama menyatakan sebesar 82.5396% dan hasil percobaan perulangan iterasi di metode penelitian ini didapatkan hasil rata-rata proses akurasi PC dan Klas terbaik berada pada PC-2 Klas-3 dengan akurasi di atas 90% untuk proses training dan testing dengan akurasi kesalahan klasifikasi di bawah 10%.

Keywords

PCA-RBFN K-Means Clustering Multivariate Data

Article Details

References

  1. [1] Cho, B. Y. (2008). Nonlinear Support Vector Machine Visualization for Risk Factor Analysis Using Nomograms and Localized Radial Basis Function Kernels. IEEE Transactions On Information Technology In Biomedicine, 12, 247-256.
  2. [2] Ediyanto, M. N. (2013). Pengklasifikasian Karakteristik Dengan Metode K-Means Cluster Analysis. BIMASTER, 2(02).
  3. [3] Hasanah, N. U. (2017). Sistem Pengelompokan Curah Hujan Menggunakan Metode K-Means Di Wilayah Kalimantan Timur. In Prosiding Seminar Nasional Ilmu Komputer dan Teknologi Informasi , Vol (Vol. 2, No. 2).
  4. [4] Haykin, S. (1994). Neural networks-A comprehensive foundation. New York: IEEE Press.
  5. [5] Huang, D. Y. (2008). A new local PCA-SOM algorithm. Neurocomputing, 71, 3544-3552.
  6. [6] Jain. A.K (2009). Data Clustering: 50 Years Beyond K-Means. Pattern Recognition Letters, 2009.
  7. [7] Lu, W. W. (2004). Potensial Assesment of A Neural Network Model with PCA/RBF Approach Forecasting Pollutant Trends in Mong Kok Urban Air, Hong Kong. Environmental Research, 96, 79–87.
  8. [8] Maimon, O. d. (2010). Introduction to knowledge discovery and data mining. Boston: In Data mining and knowledge discovery handbook, pp. 1-15. Springer.
  9. [9] Meilani, B. D. (2014). Aplikasi Data mining Untuk Menghasilkan Pola Kelulusan Siswa Dengan Metode Naive Bayes. Jurnal LINK, 21 (2), 1-6.
  10. [10] Munnoli, A. &. (2013). Clustering Algorithms for Radial Basis Function Neural Network. ITSI Transactions on Electrical and Electronics Engineering (ITSI-TEEE), Volume -1, Issue.
  11. [11] Omary, Z. (2010). Machine Learning Approach to Identifying the Dataset Threshold for the Performance Estimators in Supervised Learning . International Journal for Infonomics (IJI), 3(3) : 314-325.
  12. [12] Rosandy, T. (2016). Perbandingan Metode Naive Bayes Classifier Dengan Metode Decision Tree (C4.5) Untuk Menganalisa Kelancaran Pembiayaan (Study Kasus: KSPPS/BMT Al-Fadhila). Jurnal Teknologi Informasi Magister Darmajaya, 2(01), 52-62.
  13. [13] Shlens, J. (2009). A Tutorial on Principal Component Analysis. New York University: Version 3.01. Center..
  14. [14] Soesanto, O. (2010). PCA-RBPNN untuk Klasifikasi Data Multivariat dengan Orthogonal Least Square (OLS). JURNAL MATEMATIKA MURNI DAN TERAPAN, 4(2) : 51-60.
  15. [15] Susanto, E. (2016). Evaluasi Hasil Klaster Pada Dataset Iris, Soybean-small, Wine Menggunakan Algoritma Fuzzy C-Means dan K-Means++. Surya Informatika, 2(1) : 6-13.
  16. [16] Tewary, G. (2015). Effective Data mining For Proper Mining Classification Using Neural Network. International Journal Of Data mining & Knowledge Management Process (IJDKP), Volume 5:2.
  17. [17] Wang, X. L. (2008). A Definition of Partial Derivative of Random Functions and It's Application to RBFNN Sensitivity Analysis. Neurocomputing, 71, 1551-1526.
  18. [18] Yousef, R. d. (2006). Locating Center Points for Radial Basis Function Networks Using Instance Reduction Techniques. World Academy of Science, Engineering and Technology, 4, 213-216.