%0 Thesis
%9 S1
%A Kumala, Aziza Ratna
%A Wutsqa, Dhoriva Urwatul
%B Jurusan Pendidikan Matematika
%D 2016
%F UNY:41329
%I UNY
%T PERBANDINGAN K-MEANS DAN FUZZY C-MEANS CLUSTERING  PADA MODEL RADIAL BASIS FUNCTION NEURAL NETWORK  (RBFNN) UNTUK KLASIFIKASI STADIUM KANKER PAYUDARA
%U http://eprints.uny.ac.id/41329/
%X 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