K-Means Clustering to Design Radial Basis Function Neural Network (RBFNN) Classifiers

Abstract

Radial Basis Function Neural Network (RBFNN) is hybrid network. It is combination
training both supervised and unsuvervised. RBFNN does not use generally activation
function in Neural Network. It use radial based function. Dalam proses membangun
arsitektur JSTRBF membutuhkan proses cluster. Pada penelitian ini, penulis
menggunakan algoritma K-Means Clustering, dimana algoritma ini menjadi algoritma yang
efisien dan efektif dalam mengolah data. K-Means Clustering merupakan salah satu
algoritma clustering dengan tujuan untuk membagi data menjadi beberapa kelompok.
Algoritma ini akan mengelompokkan data atau objek ke dalam k buah kelompok (cluster)
yang diinginkan. Penentuan jumlah cluster pada JSTRBF mempengaruhi akurasi dari
JSTRBF dalam melakukan klasifikasi. Hasil penelitian ini menyatakan desain arsitektur
JSTRBF yang memiliki akurasi terbaik pada jumlah 3 cluster dengan nilai akurasi sebesar
87,06%. Akan tetapi jika jumlah cluster pada JSTRBF di atas 4 cluster nilai akurasi di
bawah 50%.