ALGORITMA FUZZY C-MEANS (FCM) UNTUK PENENTUAN NILAI CENTER RADIAL BASIS FUNCTION (RBF) PADA KLASIFIKASI DATA PENYAKIT KARIES GIGI

Jurnal Elektronik Nasional Teknologi dan Ilmu Komputer (JENTIK)

ALGORITMA FUZZY C-MEANS (FCM) UNTUK PENENTUAN NILAI CENTER RADIAL BASIS FUNCTION (RBF) PADA KLASIFIKASI DATA PENYAKIT KARIES GIGI Nur Astuti1, Oni Soesanto2, Dwi Kartini3 1,3 Prodi Ilmu Komputer FMIPA ULM 2Prodi Matematika FMIPA ULM Jl. A. Yani Km 36 Banjarbaru, Kalimantan selatan Email: [email protected] Abstract Artificial Neural Network (ANN) or network is a computational method that mimics a biological neural network. One of the ANN modeling for classification is Radial Basis Function (RBF). RBF is one of the reliable neural networks for regression and classification problems. This network will work well if the input data provided quite a lot but the difficulty on RBF is the determination of the center that is still random when not using the clustering method. One method that can be used for determining the value of a center on a neural network RBF is Fuzzy C-Means (FCM). In this study FCM is used for the determination of the center on the hidden layer RBF applied to the data classification of dental caries disease. The process of determining center using FCM algorithm is arranged with steps such as FCM initialization, initializing Cluster number, power value (w), maximal iteration (MaxIter), smallest error, initial objective function (P0), generating random number, calculating center cluster, calculating objective function (Pt), and calculate the change of partition matrix. Center value of FCM results is used as a learning process on RBF. After the experiment 100 times obtained classification accuracy mode on the training data of 96.166 % and error of 3.833 % while the data testing mode accuracy of 86.996 % and error of 13.003 %. Keywords: Artificial Neural Network (ANN), Radial Basis Function (RBF) and Fuzzy C-Means (FCM). Abstrak Jaringan Saraf tiruan (JST) atau network adalah suatu metode komputasi yang meniru jaringan saraf biologis. Salah satu permodelan JST untuk klasifikasi adalah Radial Basis Function (RBF). RBF merupakan salah satu jaringan syaraf yang handal untuk permaslahan regresi dan klasifikasi. Jaringan ini akan bekerja dengan baik apabila data input yang diberikan cukup banyak namun kesulitan pada RBF adalah penentuan center yang masih random ketika tidak menggunakan metode clustering. Salah satu metode yang dapat digunakan untuk penentuan nilai center pada jaringan syaraf RBF adalah Fuzzy C-Means (FCM).

Algoritma (FCM) Untuk Penentuan Nilai Center (RBF) Pada Klasifikasi Data Penyakit Karies Gigi (Nur Astuti) | 92


Dalam penelitian ini FCM digunakan untuk penentuan center pada hidden layer RBF yang diterapkan pada klasifikasi data Penyakit Karies Gigi. Proses penentuan center menggunakan algoritma FCM disusun dengan langkah seperti inisialisasi FCM, menginisialisasi jumlah Cluster, nilai pangkat (w), maksimal iterasi (MaxIter), error terkecil, fungsi obyektif awal (P0), membangkitkan bilangan random, menghitung pusat cluster, menghitung fungsi obyektif (pt), dan menghitung perubahan matriks partis . Nilai Center hasil FCM digunakan sebagai proses learning pada RBF. Setelah dilakukan percobaan sebanyak 100 kali didapatkan rata-rata akurasi klasifikasi pada data training sebesar 96,166 % dan error sebesar 3.833 % sedangkan pada data testing modus akurasi sebesar 86,996 % dan error sebesar 13,003 %.

Kata kunci: Jaringan Syaraf Tiruan (JST), Radial Basis Function (RBF) dan Fuzzy CMeans (FCM). 1. PENDAHULUAN Jaringan syaraf tiruan (JST) merupakan metode learning yang banyak digunakan dalam data mining. Penggunaan jaringan syaraf tiruan (JST) pada data mining telah banyak digunakan untuk memecahkan masalah pada data mining karena memiliki karateristik ketahanan yang baik, bisa memproses secara parallel, memiliki tempat penyimpanan yang di distribusikan, dan memiliki tingkat akurasi yang tinggi dibandingkan dengan metode statistic [2]. Jaringan syaraf tiruan (JST) adalah suatu metode komputasi yang meniru sistem jaringan saraf biologis. Metode ini menggunakan elemen perhitungan non-linier dasar yang disebut neuron yang diorganisasikan sebagai jaringan yang saling berhubungan, sehingga mirip dengan jaringan syaraf manusia. Salah satu model Jaringan Saraf Tiruan (JST) yang banyak digunakan adalah Radial Basis Function (RBF) yang dikenal mempunyai kecepatan dan tingkat keakuratan yang tinggi. Sruktur jaringan Radial Basis Function terdiri dari dua lapisan, yaitu lapisan tersembunyi (hidden layer) nonlinier dan lapisan output linier [1]. Radial Basis Function (RBF) merupakan salah satu jaringan syaraf yang handal untuk permasalahan regresi dan klasifikasi. Jaringan ini akan bekerja dengan baik apabila data input yang diberikan cukup banyak [3], namun kesulitan di dalam Radial Basis Function (RBF) adalah penentuan inisialisasi center, ketika Radial Basis Function (RBF) tidak menggunakan metode clustering, maka pemilihan center awalnya random dan hal itu akan memakan waktu serta memakan proses komputasi. Radial Basis Function (RBF) dapat mengatasi permasalahan yang ada pada metode RBF, namun inisialisasi nilai center pada RBF masih menggunakan proses random data sehingga proses inisialisasi nilai center tersebut cukup lama karena harus melakukan beberapa kali pengujian [4]. Salah satu metode untuk inisialisasi center Radial Basis Function (RBF) adalah dengan menggunakan teknik clustering, dengan beberapa algoritma yang digunakan seperti Self-Organization Map (SOM), Fuzzy C-Means (FCM) dan K-Means. Adapun perbandingan antara tiga algoritma yang menunjukan bahwa algoritma Fuzzy C-Means memiliki kinerja yang sangat baik dan stabil dalam menangani semua kasus yang di hadapkan dengan data outlier dan overlapping (tumpang-tindih) dibandingkan SOM dan K-means [5]. Pada algoritma Fuzzy C-Means proses pemilihan center dapat langsung ditemukan sehingga dengan menggunakan Fuzzy C-Means proses penentuan center menjadi lebih sederhana. Oleh karena itu Fuzzy C-Means dengan Radial Basis Function inilah yang akan diterapkan untuk klasifikasi data penyakit karies gigi.



2. METODOLOGI PENELITIAN 2.1 DATA SIMULASI Data simulasi yang digunakan untuk klasifikasi ini adalah data penyakit karies gigi yang berasal dari Medical Center ITS Surabaya. Data pasien penyakit karies gigi yang diambil adalah data pasien pada tahun 2009 selama satu tahun dari bulan Januari sampai dengan Desember 2009. 2.2 PENYUSUNAN ALGORITMA FCM-RBF Radial Basis Function (RBF) merupakan salah satu jaringan syaraf yang sering digunakan untuk masalah klasifikasi, pengenalan pola dan peramalan. Jaringan ini akan bekerja dengan baik apabila data input yang diberikan cukup banyak, namun kesulitan di dalam Radial Basis Function (RBF) adalah penentuan inisialisasi center, ketika Radial Basis Function (RBF) tidak menggunakan metode clustering, maka pemilihan center awalnya random dan hal tersebut menyebabkan proses komputasi menjadi terlalu lama. Salah satu metode untuk penentuan center Radial Basis Function (RBF) adalah dengan menggunakan teknik clustering dengan algoritma Fuzzy C-Means. Y1

w11

x1

Ф1

x2

Ф2

Σ

w12 w21

Y2

Σ

w22

w16 w61 x8

Ф6

w26

w62

Y375

Σ W66

Input layer

hidden layer

output layer

Gambar 1. Arsitektur FCM-RBF

Sumber: Algoritma (FCM) Untuk Penentuan Nilai Center Radial Basis Function (RBF) Pada Klasifikasi Data Penyakit Karies Gigi. 2017

Pada proses RBF, data input akan dibagi menjadi dua buah, yaitu data training dan data testing. Pada proses training, input layer pertama berisi delapan input yang akan diproses langsung ke hidden layer pertama sehingga menghasilkan nilai center RBF dari algoritma FCM. Kemudian nilai center tersebut di jumlahkan dengan data training sehingga menghasilkan hidden layer kedua (matriks gaussian). Sedangkan untuk memperoleh hasil output layer adalah dengan mengalikan hidden layer kedua (matriks gaussian) dengan nilai bobot yang Algoritma (FCM) Untuk Penentuan Nilai Center (RBF) Pada Klasifikasi Data Penyakit Karies Gigi (Nur Astuti) | 94


diperoleh dari proses matriks PseudoInvers. Kemudian pada proses data testing merupakan proses tahap pengujian nilai center dan nilai bobot yang diperoleh dari proses training. Nilai center data training di jumlahkan dengan keseluruhan data testing sehingga menghasilkan matriks gaussian testing. Sedangkan untuk mendapatkan hasil output testing diperoleh dengan mengalikan hasil matriks gaussian testing dengan nilai bobot yang di peroleh dari data training sehingga menghasilkan output testing. 2.2.1 Training RBF Training RBF adalah proses klasifikasi dengan hasil klasifikasi yang sudah diketahui sebelumnya. Untuk data training yang sudah terklasifikasi, maka target outputnya adalah kelas setiap data training. Langkah awal pada proses RBF adalah penentuan center. Salah satu metode dalam penentuan center adalah dengan menggunakan algoritma FCM. Langkah-langkah dalam algoritma FCM adalah sebagai berikut [3] : a. b. c.

Menentukan data yang akan dicluster X, berupa matriks berukuran n x m (n=jumlah sampel data, m=atribut setiap data). Xij=data sampel ke-i (i=1,2,...,n), atribut ke-j (j=1,2,...,m). Tentukan jumlah cluster (c), pangkat (w), maksimum iterasi (MaxIter), error terkecil yang diharapkan (ζ), fungsi obyektif awal (P0=0), iterasi awal (t=1). Membangkitkan bilangan random µik, i = 1, 2, …, n; k = 1, 2, …,c; sebagai elemen-elemen matrik partisi awal U, dengan jumlah setiap nilai elemen kolom dalam satu baris adalah 1 (satu) ∑𝑐𝑘=1 𝜇𝑖𝑘 = 1

d.

dengan, c = jumlah cluster k = indeks cluster µik = nilai keanggotaan Hitung pusat cluster ke-k: Vkj, dengan k=1,2,...,c; dan j=1,2,...,m

𝑉𝑘𝑗 =

e.

...(1)

𝑤 ∑𝑛 𝑖=1((𝜇𝑖𝑘 ) ∗𝑋𝑖𝑗 𝑤 ∑𝑛 𝑖−1(𝜇𝑖𝑘 )

...(2)

dengan, Vkj = hasil pusat cluster yang dihasilkan n = jumlah data µik = nilai keanggotaan w = pangkat Xij = data ke-i dan parameter ke-j Hitung fungsi obyektif pada iterasi ke-t, Pt: Fungsi obyektif digunakan sebagai syarat perulangan untuk mendapatkan pusat cluster yan tepat. Sehingga diperoleh kecenderungan data untuk masuk ke cluster mana pada step akhir. Untuk iterasi awal nilai t=1. 2 2 𝑃𝑡 = ∑𝑛𝑖=1 ∑𝑐𝑘=1( ∑𝑚 𝑗=1(𝑋𝑖𝑗− 𝑉𝑘𝑗 ) )(𝜇𝑖𝑘 )

...(3)



f.

dengan, Pt = fungsi obyektif n = jumlah data c = jumlah cluster m = jumlah parameter µik = nilai keanggotaan Xij = data ke-i dan parameter ke-j Vkj = hasil pusat cluster yang dihasilkan Hitung perubahan matriks partisi: −1 −1

𝜇𝑖𝑘 =

2 𝑤 [∑𝑚 𝑗=1(𝑥𝑖𝑗 −𝑉𝑘𝑗 ) ]

−1 −1

...(4)

2 𝑤 ∑𝑐𝑘=1[∑𝑚 𝑗=1(𝑥𝑖𝑗 −𝑉𝑘𝑗 ) ]

g.

Cek kondisi berhenti: 1). |Pt – Pt-1| < ζ) atau (t>MaxIter) maka berhenti; 2). Jika tidak, iterasi dinaikkan t=t+1, ulangi langkah ke-4.

Selanjutnya dari nilai center yang diperoleh dari keenam cluster tersebut di masukan ke dalam persamaan seperti berikut:

 x  ci  r   exp   2 2 

2

 ,  

...(5)

dengan, φ(r) = matriks gaussian x  ci = fungsi radial basis dari x

 = Nilai spread (lebar) pada RBF

Matriks Gaussian 𝜙(𝑟) akan berukuran m × k, dengan m adalah banyak data dan k sebagai banyak kelas. Matriks Gaussian ini sangat berguna untuk penentuan nilai bobot. Selanjutnya menghitung nilai bobot (W) dilakukan dengan cara mengalikan Pseudo Invers dari matriks Gaussian φ(r) dengan vektor target (d) yang diperoleh dari indeks target kelas pada data training. Perhitungan nilai bobot (W) dapat dilakukan dengan menggunakan persamaan seperti berikut:

 †       d 1

...(6)

Pada tahap ini bobot yang diperoleh sebelumnya akan digunakan untuk menentukan nilai output dari RBF. Perhitungan nilai output menggunakan persamaan seperti berikut : n

y  f x    wi r  i 1



Keterangan: 𝑤 = Nilai bobot  r  = Nilai matriks gaussian Sehingga diperoleh matriks output dari RBF yang dinyatakan dengan y(output) berukuran m×k dengan m adalah jumlah data dan k adalah jumlah kelas. 2.2.2 Testing RBPNN Pada proses ini nilai bobot yang telah didapat pada proses training sebelumnya akan digunakan untuk klasifikasi data testing. Proses klasifikasi pada data testing hampir sama dengan data training, akan tetapi menggunakan hasil nilai center dan nilai bobot dari data training sehingga akan diperoleh output data testing yang diinisialisasikan dengan y(output). Proses algoritma Fuzzy C-Means (FCM) dengan Radial Basis Function (RBF) dapat dilihat pada gambar 2 seperti berikut;

Data

Data Training

Data Testing

FCM

Matriks Gaussian

Matriks Gaussian

Pseudoinvers

Pseudoinvers

Nilai Bobot (W)

Nilai Bobot (W)

Nilai Y (nilai output) Training

Nilai Y ( nlai Output ) Testing

Hasil Klasifikasi Training

Hasil Klasifikasi Testing

Gambar 2. Proses Learning FCM-RBF

Sumber: Algoritma Fuzzy C-Means (FCM) Untuk Penentuan Nilai Center Radial Basis Function (RBF) Pada Klasifikasi Data Penyakit Karies Gigi. 2017

3. HASIL DAN PEMBAHASAN 3.1 Proses Implementasi FCM-RBF Pada proses training dari proses clustering Fuzzy C-Means dengan menggunakan batasan jumlah cluster sebanyak 6 cluster, pangkat 2, maksimal



iterasi 100, error 0,001 proses berhenti pada iterasi ke 20 dengan error 0,000439 dan diperoleh nilai pusat cluster pada iterasi terakhir yaitu pada Tabel 1 dengan menggunakan persamaan (2): 𝑉𝑘𝑗 =

𝑤 ∑𝑛 𝑖=1((𝜇𝑖𝑘 ) ∗𝑋𝑖𝑗 𝑤 ∑𝑛 𝑖−1(𝜇𝑖𝑘 )

Keterangan : Vkj = hasil pusat cluster yang dihasilkan n = jumlah data µik = nilai keanggotaan w = pangkat Xij = data ke-i dan parameter ke-j Tabel 1. Hasil Pusat Cluster iterasi ke-20 Pusat Cluster Center

X1

X2

X3

X4

X5

X6

X7

X8

1

0.9991

0.0001

0.0001

4.3414

0.0001

0.0003

0.9997

8.2818

2

4.6785

0.9983

0.0003

1.0481

0.0003

0.0021

0.9990

0.0005

3

1.3347

0.9739

0.0102

1.1927

0.0102

0.9984

0.0148

0.0692

4

2.0050

0.2719

0.0156

1.8314

0.0156

0.9977

0.0055

0.9592

5

9.0168

0.0019

0.9961

0.9700

0.9961

0.0290

0.0012

0.0016

6

2.1331

0.0157

0.0052

7.5575

0.0052

0.9969

0.9767

0.9855

Ke


Dari hasil pusat cluster (Tabel 1) tersebut selanjutnya dilakukan perhitungan dengan metode RBF untuk mendapatkan hasil klasifikasi. Perhitungan Nilai Matriks Gaussian dilakukan menggunakan persamaan (5) seperti berikut:

 x  ci  r   exp   2 2 

2

 ,  

Keterangan : φ(r) = matriks gaussian x  ci = fungsi radial basis dari x

 = Nilai spread (lebar) pada RBF Berikut hasil perhitungan nilai matriks gaussian :



𝜙(𝑟)=

0.7789 0.6874 0.7789 ⋮ ⋮ ⋮ 0.9999 0.9999 [0.9999

0.9999 0.6880 0.9999 ⋮ ⋮ ⋮ 0.7791 0.7791 0.7791

0.7814 0.7059 0.7814 ⋮ ⋮ ⋮ 0.6125 0.6125 0.6125

0.6508 0.8753 0.6508 ⋮ ⋮ ⋮ 0.6081 0.6081 0.6081

0.5406 0.4805 0.5406 ⋮ ⋮ ⋮ 0.5403 0.5403 0.5403

0.6902 0.9999 0.6902 ⋮ ⋮ ⋮ 0.2877 0.2877 0.2877]

Selanjutnya menghitung nilai bobot (W) dilakukan dengan cara mengalikan Pseudo Invers dari matriks Gaussian φ(r) dengan vektor target (d) yang diperoleh dari indeks target kelas pada data training. Perhitungan nilai bobot (W) dapat dilakukan menggunakan persamaan (6) seperti berikut:

 †       d 1

Berikut hasil perhitungan nilai bobot (W) :

Bobot (W)=

1.3775 −1.7379 2.2709 −2.9886 0.1735 1.1557 −0.2386 3.5582 −3.9495 3.1646 −1.0795 −1.2152 −0.5094 −1.7906 5.8777 −3.1366 0.6929 −1.1502 1.0766 0.0986 −4.9475 5.2648 −1.2879 0.3323 −0.3216 −0.0287 −0.3934 −0.0222 1.6244 −0.3820 [−1.2545 0.0674 1.4829 −2.5930 0.5171 1.7372 ]

Pada tahap ini bobot yang diperoleh sebelumnya akan digunakan untuk menentukan nilai output dari RBF. Perhitungan nilai output menggunakan persamaan (7) seperti berikut : n

y  f x    wi r  i 1

Keterangan: 𝑤 = Nilai bobot  r  = Nilai matriks gaussian Berikut tabel hasil perhitungan nilai output : Tabel 2. Hasil nilai output pada proses training No 1

Yaktual (nilai output)

t1

t2

t3

t4

t5

t6

0.0972

0.9004

0.0029

0.0105

-0.0059

-0.0048

2 -0.0434 0.1292 -0.0437 -0.0862 0.03609 0.99091 ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ 279 0.9994 0.0013 -0.0003 -0.0008 0.0003 -0.0001 280 0.9994 0.0013 -0.0003 -0.0008 0.0003 -0.0001 Sumber: Algoritma Fuzzy C-Means (FCM) Untuk Penentuan Nilai Center Radial Basis Function (RBF) Pada Klasifikasi Data Penyakit Karies Gigi. 2017

Dari hasil kesesuaian data training dengan target klasifikasi, dapat diketahui bahwa kemampuan klasifikasi dari data training memiliki tingkat keberhasilan sebesar 96,785 % dan error klasifikasi sebesar 3,214 %.



Pada tahap proses testing nilai bobot yang telah didapat pada proses training sebelumnya akan digunakan untuk klasifikasi data testing. Proses klasifikasi pada data testing hampir sama dengan data training, akan tetapi menggunakan hasil nilai center dan nilai bobot dari data training sehingga akan diperoleh output data testing yang diinisialisasikan dengan y(output). Berikut tabel hasil perhitungan nilai output pada testing : Tabel 3. Hasil nilai output pada proses testing No

Yaktual (nilai output)

t1

t2

t3

t4

t5

t6

1 2 ⁞ ⁞

0.0972 0.9994 ⁞ ⁞

0.9004 0.0013 ⁞ ⁞

0.0029 -0.0003 ⁞ ⁞

0.0105 -0.0008 ⁞ ⁞

-0.0059 0.0003 ⁞ ⁞

-0.0048 -0.0001 ⁞ ⁞

374

0.9994

0.0013

-0.0003

-0.0008

0.0003

-0.0001

375 0.0972 0.9004 0.0029 0.0105 -0.0059 -0.0048 Sumber: Algoritma Fuzzy C-Means (FCM) Untuk Penentuan Nilai Center Radial Basis Function (RBF) Pada Klasifikasi Data Penyakit Karies Gigi. 2017

Dari hasil kesesuaian data testing dengan target klasifikasi, dapat diketahui bahwa kemampuan klasifikasi dari data testing memiliki tingkat keberhasilan sebesar 87,234 % dan error klasifikasi sebesar 12,766 %. Kemudian dilakukan iterasi (percobaan) sebanyak 100 kali pada waktu yang berbeda dan menghasilkan nilai akurasi dan error klasifikasi seperti pada tabel berikut: Tabel 4. Hasil klasifikasi Training dan testing FCM-RBF Percobaan

Klasifikasi Training

Klasifikasi Testing

Akurasi

Error

Akurasi

Error

1

96.797

3.203

87.234

12.766

2

96.797

3.203

87.234

12.766

⋮

⋮

⋮

⋮

⋮

22

94.662

5.338

86.17

13.83

⋮

⋮

⋮

⋮

⋮

99

96.797

3.203

87.234

12.766

100

96.797

3.203

87.234

12.766

Rata-rata

96.166

3.833

86.996

13.003

Maksimum

96.797

6.333

88

13.83

Minimum

93.667

3.203

86.17

12




Pada table 4 dapat dilihat untuk proses training diperoleh nilai rata-rata akurasi klasifikasi sebesar 96,166 % dan rata-rata error sebesar 3,833 %. Sedangkan untuk proses testing dengan menggunakan bobot center dan bobot output yang sama dengan proses training, kemampuan klasifikasi untuk data penyakit karies gigi memiliki rata-rata akurasi sebesar 86,996 % dan rata-rata error sebesar 13,003 %. 4. SIMPULAN Berdasarkan hasil penelitian tentang Algoritma Fuzzy C-Means (FCM) Untuk Penentuan Nilai Center Radial Basis Function (RBF) pada klasifikasi data penyakit karies gigi diperoleh kesimpulan sebagai berikut : Proses klasifikasi pada metode Radial Basis Function (RBF) terdiri dari proses Training dengan penentuan center dengan menggunakan algoritna Fuzzy CMeans dan proses Testing dengan nilai bobot yang diperoleh dari akhir pembelajaran proses training. Pada proses training dengan menggunakan penentuan center Fuzzy C-Means dari hasil pencocokan data training terhadap target klasifikasi untuk kemampuan klasifikasi penyakit karies gigi dari data training sebesar 280 data diperoleh nilai rata-rata akurasi sebesar 96.166 % dan nilai rata-rata kesalahan klasifikasi sebesar 3.833 %. Sedangkan pada proses testing dengan data testing sebesar 95 data diperoleh nilai rata-rata akurasi sebesar 86.996 % dan nilai rata-rata kesalahan klasifikasi sebesar 13.003 %. DAFTAR PUSTAKA [1]

[2] [3] [4]

[5]

Dachapak, C., Kanae, S., Yang, Z. J., & Wada, K. 2004. Orthogonal Least Squares For Radial Basis Function Network In Reproducing Kernel Hilbert Space. IFAC Workshop On Adaptation and Learning in Control and Signal Processing, and IFAC Workshop on Periodik Control System 847848. Yokohama, Japan. Gaur, Priyanka. 2013. Neural Networks in Data Mining. International Journal of Electronics and Computer Science Engineering Kusumadewi, Sri, Hari Purnomo. 2010. Aplikasi Logika Fuzzy Untuk Pendukung Keputusan. Graha Ilmu. Yogyakarta. Maulida, Ayu Novian, Nur Salam, Oni Soesanto,. 2014. Jaringan Syaraf Radial Basis Function (RBF) Untuk Klasifikasi Penyakit Karies Gigi. Program Studi Matematika, FMIPA Universitas Lambung Mangkurat. ISSN :9 772407 749004 Mingoti, Sueli A, Joab O Lima. 2005. Comparing SOM neural network with Fuzzy C-Mean, K-means and traditional hierarchical clustering algorithms. Departamento de Estatı´stica, Universidade Federal de Minas Gerais, Instituto de Cieˆncias Exatas, Av. Antonio Carlos 6627, Belo Horizonte, 31270-901 Minas Gerais, Brazil.


ALGORITMA FUZZY C-MEANS (FCM) UNTUK PENENTUAN NILAI CENTER RADIAL BASIS FUNCTION (RBF) PADA KLASIFIKASI DATA PENYAKIT KARIES GIGI

Recommend Documents