Penerapan Radial Basis Function Neural Network dalam Pengklasifikasian Daerah Tertinggal di Indonesia

##plugins.themes.bootstrap3.article.main##

Vira Wahyuningrum

Abstract

Penetapan daerah tertinggal di Indonesia merupakan kasus pengklasifikasian dengan dua kategori pada variabel respon (biner). Pengklasifikasian dengan metode klasifikasi linier yang umum digunakan yaitu regresi logistik pada tahap eksplorasi data menghasilkan misclassification yang relatif besar, sehingga diperlukan suatu metode alternatif. Artificial Neural Network (ANN) merupakan alternatif yang menjanjikan untuk berbagai metode klasifikasi konvensional. Radial Basis Function Neural Network (RBFNN) merupakan salah satu arsitektur ANN yang populer digunakan dalam klasifikasi. Metode RBFNN menggunakan dua pendekatan yaitu supervised dan unsupervised serta dalam beberapa penelitian menghasilkan akurasi klasifikasi yang tinggi. Penelitian ini bertujuan menerapkan metode RBFNN untuk kasus klasifikasi daerah tertinggal di Indonesia untuk melihat arsitektur RBFNN yang terbentuk dan ketepatan klasifikasi yang dihasilkan. Hasil dari penelitian ini adalah penerapan RBFNN memberikan performa yang sangat baik yaitu nilai akurasi  sebesar 93,48 persen, sensitivitas 81,10 persen dan spesifikasi 97,43 persen. Nilai F-Measure arsitektur RBFNN yang dihasilkan mencapai 85,36 persen.

##plugins.themes.bootstrap3.article.details##

How to Cite
WAHYUNINGRUM, Vira. Penerapan Radial Basis Function Neural Network dalam Pengklasifikasian Daerah Tertinggal di Indonesia. Jurnal Aplikasi Statistika & Komputasi Statistik, [S.l.], v. 12, n. 1, p. 37-54, june 2020. ISSN 2615-1367. Available at: <https://jurnal.stis.ac.id/index.php/jurnalasks/article/view/250>. Date accessed: 22 sep. 2021. doi: https://doi.org/10.34123/jurnalasks.v12i1.250.
Section
Komputasi Statistik

References

Devega, Mariza. 2013. Diagnosa Kerusakan Bantalan Gelinding Menggunakan Metode RBFNN. Tesis. Semarang: Universitas Diponegoro.
Fausett, L. 1994. Fundamentals of Neural Networks: Architectures, Algorithms and Applications. Prentice-Hall, New Jersey, USA.
Ghaderzadeh, M., Fein, R., Standring, A. 2013. Early Detection of Cancer from Benign Hyperplasia of Prostate. Applied Medical Informatics Vol. 33, No. 3, pp: 45-54
Han, J., Kamber, M., & Pei, J. (2011). Data Mining Concepts and Techniques Third Edition. Waltham: Elsevier Inc.
Haykin, S. 2008. Neural Networks and Learning Machines. New Jersey: Prentice Hall.
Kotsiantis, S., Zaharakis, I., Pintelas, P. 2007. Supervised machine learning: A review of classification techniques. Frontiers in Artificial Intelligence and Applications.
Kusumadewi, S. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta (ID): Graha Ilmu.
Naibaho, E. 2016. Perbandingan Back Propagation Neural Network dan Learning Vector Quatization. Tesis. Bandung: Universitas Padjajaran
Priddy, K.L., Keller, P.E. 2005. Artificial Neural Network : An Introduction. Washington: Spie Press
Sitamahalakshmi, T., et al. 2011. Performance Comparison of Radial Basis Function Networks and Probabilistic Neural Networks for Telugu Character Recognition. Global Journal of Computer Science and Technology Volume 11 Issue 4
Wahyuningrum, V.2017. Classification of Underdeveloped Regency using Probabilistic Neural Networks. Proceeding International Conference (ICAS), Vol.2 No 1 (2017)
Živković, Ž., Mihajlović,I., Nikolić,D. 2008. Artificial Neural Network Method Applied on The Nonlinear Multivariate Problems.University of Belgrade, Serbia