Retno, Rif’atin Ambar and Wutsqa, Dhoriva Urwatul and Abadi, Agus Maman (2017) PENERAPAN MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK (FRBFNN) UNTUK KLASIFIKASI STADIUM KANKER PAYUDARA. S1 thesis, UNY.
|
Text
BAB I PENDAHULUAN.pdf Download (227kB) | Preview |
|
|
Text
BAB II KAJIAN TEORI.pdf Download (577kB) | Preview |
|
![[img]](https://eprints.uny.ac.id/style/images/fileicons/text.png) |
Text
BAB III PEMBAHASAN.pdf Restricted to Repository staff only Download (906kB) |
|
|
Text
BAB IV PENUTUP.pdf Restricted to Repository staff only Download (16kB) |
|
|
Text
DAFTAR PUSTAKA.pdf Download (241kB) | Preview |
|
|
Text
HALAMAN JUDUL.pdf Restricted to Repository staff only Download (798kB) |
|
|
Text
Lampiran .pdf Restricted to Repository staff only Download (5MB) |
Abstract
Kanker payudara merupakan penyakit dengan jumlah penderitanya yang semakin meningkat tiap tahunnya. Oleh karena itu deteksi dini kanker payudara memegang peranan penting dalam mengantisipasi penyebaran kanker. Salah satu cara untuk mendeteksi kanker payudara adalah dengan fine-needle aspiration (FNA) biopsy. Penggunaan FNA dilakukan oleh University of Wisconsin Hospital dan menghasilkan data yang disebut Wisconsin Breast Cancer Database (WBCD) dan Wisconsin Diagnostic Breast Cancer (WDBC). Untuk mengklasifikasi kanker payudara dapat dilakukan dengan model Fuzzy Radial Basis Function Neural Network (FRBFNN). Penelitian ini bertujuan untuk mengetahui bagaimana performansi metode FRBFNN untuk mengklasifikasikan kanker payudara pada data WBCD dan WDBC tersebut. Prosedur awal klasifikasi kanker payudara menggunakan model FRBFNN adalah penentuan variabel input berdasarkan hasil dari FNA biopsy yaitu 9 variabel untuk data WBCD dan 10 variabel untuk data WDBC. Sedangkan variabel output adalah hasil klasifikasi kanker payudara yang terdiri dari tumor (benign) dan kanker (malignant). Kemudian dilakukan pembagian data yaitu 80% data training dan 20% data testing. Selanjutnya masuk pada algoritma pembelajaran FRBFNN yang diawali dengan proses fuzzifikasi terhadap variabel input dengan menggunakan fungsi keanggotaan segitiga dengan 3 himpunan fuzzy. Nilai input hasil fuzzifikasi kemudian dinormalisasikan. Langkah terakhir yaitu pembentukan model terbaik dilakukan dengan menentukan banyaknya neuron terbaik pada lapisan tersembunyi yang menghasilkan nilai akurasi tertinggi dengan metode K-Means clustering dan menentukan bobot-bobotnya menggunakan kriteria GCV (Generalised Cross-Validation) pada Global Ridge Regression. Fungsi aktivasi yang digunakan adalah fungsi Gaussian pada lapisan tersembunyi. Berdasarkan langkah-langkah klasifikasi kanker payudara menggunakan model FRBFNN, diperoleh model FRBFNN terbaik pada data WBCD adalah 9 variabel input, 7 neuron tersembunyi, dan 1 neuron pada lapisan output. Sedangkan pada data WDBC adalah 10 variabel input, 17 neuron tersembunyi, dan 1 neuron pada lapisan output. Tingkat keakurasian model FRBFNN untuk klasifikasi kanker payudara yaitu 97,5% untuk data training dan 100% untuk data testing pada data WBCD, serta 95% training dan 90% testing pada data WDBC. Kata Kunci: University of Wisconsin Hospital, WBCD, WDBC, Fuzzy Radial Basis Function Neural Nework (FRBFNN), 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: | 02 Aug 2017 04:26 |
| Last Modified: | 30 Jan 2019 14:41 |
| URI: | http://eprints.uny.ac.id/id/eprint/51321 |
Actions (login required)
 |
View Item |