TY  - THES
N2  - 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
AV  - restricted
TI  - PERBANDINGAN K-MEANS DAN FUZZY C-MEANS CLUSTERING
PADA MODEL RADIAL BASIS FUNCTION NEURAL NETWORK
(RBFNN) UNTUK KLASIFIKASI STADIUM KANKER PAYUDARA
A1  - Kumala, Aziza Ratna
A1  - Wutsqa, Dhoriva Urwatul
UR  - http://eprints.uny.ac.id/41329/
Y1  - 2016/07/14/
M1  - skripsi
PB  - UNY
ID  - UNY41329
ER  -