K-Means Clustering dan Principal Component Analysis (PCA) Dalam Radial Basis Function Neural Network (RBFNN) Untuk Klasifikasi Data Multivariat

Pada penelitian ini dilakukan uji simulasi data berskala besar sehingga diperlukan metode yang handal untuk permasalahan klasifikasi salah satunya adalah Radial Basis Function Neural Network (RBFNN). Untuk training data RBFNN menggunakan struktur khusus yang melibatkan dimensi tinggi pada hidden layer. Dengan struktur RBFNN yang khusus tersebut maka seringkali menimbulkan permasalahan karena hidden layernya terlalu besar, sehingga diperlukan penambahan metode penyederhaan jaringan seperti PCA dan K-Means Clustering. Metode PCA digunakan untuk mereduksi dimensi input pada RBFNN sedangkan metode K-Means Clustering digunakan untuk penentuan inisialisasi center awal pada RBFNN. Pada hasil percobaan metode PCA dihasilkan komponen utama ke-1 dan ke-2 dengan masing-masing mewakili 55.2288% dan 27.3108% dari seluruh variabilitas, secara kumulatif kedua komponen utama menyatakan sebesar 82.5396% dan hasil percobaan perulangan iterasi di metode penelitian ini didapatkan hasil rata-rata proses akurasi PC dan Klas terbaik berada pada PC-2 Klas-3 dengan akurasi di atas 90% untuk proses training dan testing dengan akurasi kesalahan klasifikasi di bawah 10%.