PERBANDINGAN K-MEANS DAN FUZZY C-MEANS CLUSTERING PADA MODEL RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN) UNTUK KLASIFIKASI STADIUM KANKER PAYUDARA

Kumala, Aziza Ratna and Wutsqa, Dhoriva Urwatul (2016) PERBANDINGAN K-MEANS DAN FUZZY C-MEANS CLUSTERING PADA MODEL RADIAL BASIS FUNCTION NEURAL NETWORK (RBFNN) UNTUK KLASIFIKASI STADIUM KANKER PAYUDARA. S1 thesis, UNY.

[img]
Preview
Text
BAB I PENDAHULUAN.pdf

Download (296kB) | Preview
[img]
Preview
Text
BAB II KAJIAN TEORI.pdf

Download (564kB) | Preview
[img] Text
BAB III PEMBAHASAN.pdf
Restricted to Registered users only

Download (799kB)
[img] Text
BAB IV PENUTUP.pdf
Restricted to Registered users only

Download (92kB)
[img]
Preview
Text
DAFTAR PUSTAKA.pdf

Download (246kB) | Preview
[img] Text
Halaman Romawi.pdf
Restricted to Repository staff only

Download (1MB)
[img] Text
LAMPIRAN.pdf
Restricted to Repository staff only

Download (2MB)

Abstract

Kanker payudara adalah kanker yang paling sering terjadi pada wanita baik di negara maju dan berkembang. Oleh karena itu, pemeriksaan deteksi dini perlu dilakukan agar kanker payudara dapat disembuhkan. Radial Basis Function Neural Network (RBFNN) merupakan salah satu model Neural Network (NN) yang dapat digunakan untuk mendiagnosa kanker payudara. Penelitian ini bertujuan untuk menjelaskan prosedur dan membandingan hasil klasifikasi stadium kanker payudara menggunakan model RBFNN dengan metode K-Means dan Fuzzy C-Means clustering. Prosedur awal klasifikasi kanker payudara menggunakan RBFNN adalah melakukan preprocessing citra berupa cropping dan penghilangan background hitam pada citra mammogram payudara. Setelah itu dilakukan ekstraksi citra mammogram untuk mendapatkan parameter statistik, yaitu energi, kontras, korelasi, sum of squares, inverse difference moment, sum average, sum variance, sum entropy, entropi, difference variance, difference entropy, probabilitas maksimum, homogenitas dan dissimilarity. Variabel input yang digunakan adalah parameter-parameter hasil ekstraksi citra menggunakan Gray Level Co-occurance Matrix (GLCM), sedangkan target dan variabel output berupa vektor yang mewakili masing-masing stadium kanker payudara. Pembagian data menjadi dua, yaitu 80% data training dan 20% data testing. Sebelum dilakukan pembelajaran, input dinormalisasi. Pembentukan model terbaik dilakukan dengan menentukan banyaknya neuron terbaik pada lapisan tersembunyi yang menghasilkan nilai akurasi tertinggi dari kedua metode clustering yang digunakan dan menentukan bobot-bobotnya menggunakan kriteria GCV (Generalised Cross-Validation) pada Global Ridge Regression. Fungsi aktivasi yang digunakan adalah fungsi Gaussian pada lapisan tersembunyi. Klasifikasi stadium kanker payudara menggunakan model RBFNN menghasilkan jaringan terbaik dengan 14 neuron input, lapisan tersembunyi dengan 11 neuron, dan 2 neuron output. Pengujian ketepatan model RBFNN untuk klasifikasi diukur melalui nilai sensitivitas, spesifisitas, dan akurasi. Hasil metode K-Means clustering dengan nilai sensitivitas, spesifisitas, dan akurasi secara berurutan adalah 75%, 93,75%, dan 80,21% untuk data training dan 81,25%, 75%, dan 79,17% untuk data testing, lebih baik daripada hasil metode Fuzzy C-Means (FCM) clustering yaitu 67,19%, 90,62%, dan 75% untuk data training dan 75%, 75%, dan 75% untuk data testing. Kata Kunci : Radial Basis Function Neural Nework (RBFNN), K-Means cluster, Fuzzy C-Means cluster, klasifikasi, kanker payudara

Item Type: Thesis (S1)
Subjects: Matematika dan Ilmu Pengetahuan Alam > Matematika
Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) > Pendidikan Matematika > Matematika
Depositing User: Jurusan Pendidikan Matematika
Date Deposited: 14 Sep 2016 04:28
Last Modified: 30 Jan 2019 10:58
URI: http://eprints.uny.ac.id/id/eprint/41329

Actions (login required)

View Item View Item