METODE K-MEANS PADA JARINGAN SYARAF TIRUAN RADIAL BASIS FUNCTION (RBF) UNTUK KLASIFIKASI DATA

Abstract

Radial Basis Function (RBF) merupakan salah satu jaringan syaraf tiruan dengan multilayer, dan memiliki kemapuan yang bagus untuk melakukan klasifikasi. K-Means Clustering merupakan salah satu algoritma clustering dengan tujuan untuk membagi data menjadi beberapa cluster. Penentuan jumlah cluster pada Jaringan Syaraf Tiruan Radial Basis Function mempengaruhi akurasi dalam melakukan klasifikasi. Tujuan penelitian untuk mengkaji proses klasifikasi data. Pada metode Radial Basis Function (RBF) dengan K-Means, dilakukan dua langkah utama yaitu Clustering dan pada langkah yang kedua adalah melakukan klasifikasi. Data yang digunakan untuk menguji metode K-Means dalam penelitian ini adalah data multivariat mengenai Ketersediaan Air di Bendungan Sutami yang diambil dari Station Otomatis Flood Forecasting Warning System (FFWS) Perum Jasa Tirta I di Malang. Data terdiri dari 3 parameter pengukuran yaitu inflow Sutami, debit aliran gadang dan Tawangrajeni. Data ujicoba adalah data harian yang terdiri dari 1.096 titik data selama 3 tahun yaitu 2007, 2008 dan 2009. Dari hasil penelitian pada RBF K-Means didapat nilai rata-rata performansi untuk training sebesar 91.3524?n nilai rata-rata performansi untuk testing sebesar 54.2012%. Dan untuk nilai performasi tertinggi training terdapat pada jumlah kelas 10 yaitu 95.6204?n nilai tertinggi untuk testing terdapat pada kelas 3 yaitu 70.3601%.

Kata kunci: K-Means Clustering, JST, RBF