Penerapan Radial Basis Function Neural Network dalam Mengklasifikasikan Kab/Kota di Provinsi Sulawesi Selatan Berdasarkan Indeks Kesejahteraan Rakyat
Abstract
Jiran Julita, 2023. Penerapan Radial Basis Function Neural Network dalam Mengklasifikasikan Kab/Kota di Provinsi Sulawesi Selatan Berdasarkan Indeks Kesejahteraan Rakyat. Program Studi Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Negeri Makassar. (Dibimbing oleh Sudarmin dan Zulkifli Rais).
Klasifikasi merupakan cara pengelompokan benda berdasarkan ciri-ciri yang dimiliki oleh objek klasifikasi. Metode yang digunakan dalam penelitian ini yaitu radial basis function neural network (RBFNN) yang merupakan salah satu arsitektur ANN yang popular digunakan dalam klasifikasi. Penelitian ini bertujuan untuk melihat klasifikasi dari Kab/Kota di Provinsi Sulawesi Selatan berdasarkan indeks kesejahteraan rakyat menggunakan RBFNN. Adapun data yang digunakan berjumlah 24 data dengan 10 variabel. Pada penelitian ini metode K-Means diaplikasikan untuk mengelompokan Kab/Kota di Provinsi Sulawesi Selatan berdasarkan indeks kesejahteraan rakyat dengan validasi cluster menggunakan Davies Boulding Index, hasil klasifikasi dari penelitian ini diperoleh 4 cluster terbaik berdasarkan indeks kesejahteraan rakyat Kab/Kota di Provinsi Sulawesi Selatan dengan perfoma klasifikasi dengan hasil accuracy 90%, precision 75%, recall 100% dan F-Measure 85%.
References
Aji Prasetya Wibawa, Muhammad Guntur Aji Purnama, Muhammad Fathony Akbar, F. A. D. (2018). Metode-metode Klasifikasi. Prosiding Seminar Ilmu Komputer Dan Teknologi Informasi, 3(1), 134.
Alwi, W., & Hasrul, M. (2018). Analisis Klaster Untuk Pengelompokkan Kabupaten/Kota Di Provinsi Sulawesi Selatan Berdasarkan Indikator Kesejahteraan Rakyat. Jurnal MSA ( Matematika Dan Statistika Serta Aplikasinya ), 6(1), 35.
Amrin, A. (2018). Perbandingan Metode Neural Network Model Radial Basis Function Dan Multilayer Perceptron Untuk Analisa Risiko Kredit Mobil. Paradigma, XX(1), 31–38.
Andiani, D., Dwi, S., Septiani, R., & Riana, A. (2022). Analisis Teknik non-Hierarki untuk Pengelompokan Kabupaten / Kota di Provinsi Jawa Barat Berdasarkan Indikator Kesejahteraan Rakyat 2020. 2, 21–28.
Ardyanti, H., Goejantoro, R., Deny, F., & Amijaya, T. (2020). Perbandingan Metode Klasifikasi Naïve Bayes Dan Jaringan Saraf Tiruan (Studi Kasus: Pt Asuransi Jiwa Bersama Bumiputera Tahun 2018). Jurnal EKSPONENSIAL, 11(2), 145–152.
Asrianda, A., Aidilof, H. A. K., & Pangestu, Y. (2021). Machine Learning for Detection of Palm Oil Leaf Disease Visually using Convolutional Neural Network Algorithm. Journal of Informatics and Telecommunication Engineering, 4(2), 286–293.
Azmi, F. (2016). Analisis learning jaringan RBF (Radial Basis Function Network) pada pengenalan pola alfanumerik. Jurnal TIMES, V(2), 32–34.
Azrahwati, Nusrang, M., Aidid, M. K., & Rais, Z. (2022). K-Means Cluster Analysis for Grouping Districts in South Sulawesi Province Based on Village Potential. 2(2), 73–82.
Badan Pusat Statistik. (2021) In Privinsi Sulawesi Selatan dalam Angka 2021. BPS Provinsi Sulawesi Selatan/BPS-Statistics of Sulawesi Selatan Province.
Bobby, A., & Zuliarso, E. (2022). Klasifikasi Teknik Bulutangkis Berdasarkan Pose Dengan Convolutional Neural Network. 1.
Chandra, M. D., Irawan, E., Saragih, I. S., Windarto, A. P., & Suhendro, D. (2021). Penerapan Algoritma K-Means dalam Mengelompokkan Balita yang Mengalami Gizi Buruk Menurut Provinsi. BIOS : Jurnal Teknologi Informasi Dan Rekayasa Komputer, 2(1), 30–38.
Dinata, R. K., Novriando, H., Hasdyna, N., & Retno, S. (2020). Reduksi Atribut Menggunakan Information Gain. 6(1), 48–53.
Ediyanto, Mara, N., & Satyahadewi, N. (2013). Pengklasifikasian Karakteristik Dengan Metode K-Means Cluster Analysis. Buletin Ilmiah Mat. Stat. Dan Terapannya (Bimaster), 02(2), 133–136.
Ghaderzadeh, M., Fein, R., & Standring, A. (2013). Comparing Performance of Different Neural Networks for Early Detection of Cancer from Benign Hyperplasia of Prostate. Applied Medical Informatics, 33(3), 45–54.
Harjoko, A., & Mada, U. G. (2014). Pemrosesan Citra Digital untuk Klasifikasi Mutu Buah Pisang Menggunakan Jaringan Saraf Tiruan. IJEIS (Indonesian Journal of Electronics and Instrumentation Systems), 4(1), 57–68.
Haryono, M. E. A. (2005). Pengenalan Huruf Menggunakan Model Jaringan Saraf Tiruan Radial Basis Function Dengan Randomize Cluster Decision. Seminar Nasional Aplikasi Teknologi Informasi 2005 (SNATI 2005).
Iskandar, I., Resdifa Jurusan Teknik Informatika, E., Sains dan Teknologi, F., Sultan Syarif Kasim Riau Jl Soebrantas No, U. H., & Baru, S. (2020). Penerapan Metode Radial Basis Function Dengan Jumlah Center Dinamis Untuk Klasifikasi Serangan Jaringan Komputer. Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer Dan Teknologi Informasi, 5(2), 78–85.
Izhari, F., Zarlis, M., & Sutarman. (2020). Analysis of backpropagation neural neural network algorithm on student ability based cognitive aspects. IOP Conference Series: Materials Science and Engineering, 725(1), 243–252.
Lesnussa, Y. A., Latuconsina, S., & Persulessy, E. R. (2015). Aplikasi Jaringan Saraf Tiruan Backpropagation untuk Memprediksi Prestasi Siswa SMA (Studi kasus: Prediksi Prestasi Siswa SMAN 4 Ambon). Jurnal Matematika Integratif, 11(2), 149.
Mahmut, C., & Anwar, A. I. (2022). Analisis Kesejahteraan Masyarakat di Provinsi Sulawesi Selatan. 5(2021), 452–461.
Mubarokh, M. F., Nasir, M., & Komalasari, D. (2020). Jaringan Syaraf Tiruan Untuk Memprediksi Penjualan Pakaian Menggunakan Algoritma Backpropagation. Journal of Computer and Information Systems Ampera, 1(1), 29–43.
Mughnyanti, M., Efendi, S., & Zarlis, M. (2020). Analysis of determining centroid clustering x-means algorithm with davies-bouldin index evaluation. IOP Conference Series: Materials Science and Engineering, 725(1).
Poerwanto, B., & Fa’rifah, R. Y. (2016). Analisis Cluster K-Means dalam Pengelompokan Kemampuan Mahasiswa. Jurnal Scientific Pinisi, 2(2), 92–96.
Prabowo, J. R., Santoso, R., & Yasin, H. (2020). Implementasi jaringan syaraf tiruan backpropagation dengan algoritma conjugate gradient untuk klasifikasi kondisi rumah (Studi Kasus di Kabupaten Cilacap Tahun 2018). Jurnal Gaussian, 9(1), 41–49.
Puspaningrum, E. Y., Nugroho, B., & Manggala, H. A. (2020). Penerapan Radial Basis Function Untuk Klasifikasi Jenis Tanah. SCAN - Jurnal Teknologi Informasi Dan Komunikasi, 15(1), 46–49.
Puspitaningrum, D. (2006). Pengantar Jaringan Saraf Tiruan (F. S. Suyantoro (ed.)). ANDI Yogyakarta.
Raup, A., Ridwan, W., Khoeriyah, Y., Supiana, S., & Zaqiah, Q. Y. (2022). Deep Learning dan Penerapannya dalam Pembelajaran. JIIP - Jurnal Ilmiah Ilmu Pendidikan, 5(9), 3258–3267.
Sitamahalakshmi, T., Jagadeesh, M., Chandra Mouli, K. V. ., & Vinay Babu, A. (2011). Performance Comparison of Radial Basis Function Networks and Probabilistic Neural Networks for Telugu Character Recognition. Global Journal of Computer Science and Technology, 11(4).
Suparyanto dan Rosad (2020). Penerapan Algoritma C4.5 Pada Program Klasifikasi Mahasiswa Dropout. Suparyanto Dan Rosad (2015, 5(3), 248–253.
Uddin, H. R., Ruhadi, & Fais Maulana. (2022). Komunitas Pengrajin Kerajinan Enceng Gondok Sebagai Dimensi Modal Sosial dalam Mewujudkan Kesejahteraan Masyarakat. Formosa Journal of Multidisciplinary Research, 1(3), 493–502.
Wahyuningrum, V. (2020). Penerapan Radial Basis Function Neural Network dalam Pengklasifikasian Daerah Tertinggal di Indonesia. Jurnal Aplikasi Statistika & Komputasi Statistik, 12(1), 37.
Waruwu, Y. F., Zarlis, M., Nababan, E. B., & Ziliwu, M. S. (2018). Seleksi Atribut Pada Algoritma Radial Basis Function Neural Network Menggunakan Information Gain. Seminar Nasional Royal (SENAR), 1(1), 21–24.
Wijaya, A. P., & Santoso, H. A. (2016). Naive Bayes Classification pada Klasifikasi Dokumen Untuk Identifikasi Konten E-Government Naïve Bayes Classification on Document Classification to Identify E-Government Content. Journal of Applied Intelligent System, 1(1), 48–55.
