Sholeh, Khoirul (2013) Implementasi Metode K-Means Clustering Untuk Pembangkitan Aturan Fuzzy Pada Klasifikasi Ketahanan Hidup Penderita Kanker Payudara. Sarjana thesis, Universitas Brawijaya.
Abstract
K-Means clustering merupakan salah satu metode pengelompokkan yang paling sering digunakan diantara algoritma clustering lainnya kerena kesederhanaan dan efisiensinya. Metode ini digunakan untuk mengelompokkan data ketahanan hidup penderita kanker payudara. Data ketahanan hidup penderita kanker payudara yang digunakan yaitu data Haberman’s Survival. Proses clustering data juga bertujuan untuk membangkitkan aturan sebagai rule pengganti yang didefinisikan oleh seorang pakar. Hasil dari pembangkitan aturan, nantinya akan digunakan untuk proses pengujian klasifikasi data dari data ketahanan hidup penderita kanker payudara. Dari proses pengujian bertujuan untuk mengetahui seberapa besar nilai akurasi hasil pengujian dengan menggunakan aturan hasil pembangkitan dengan metode K-Means clustering . Pada penelitian ini secara umum terdapat dua proses utama yaitu proses pelatihan dan proses pengujian. Proses pelatihan sendiri dilakukan dimulai dari proses clustering , perhitungan mean dan standar deviasi, analisa varian, sampai proses ekstraksi aturan fuzzy . Sedangkan untuk proses pengujian dilakukan proses pengujian klasifikasi data menggunakan Fuzzy Inference System Sugeno ordo 1. Pada tahap proses pengujian, dilakukan pengujian data sebanyak 30 data untuk setiap skenario pengujian di masing-masing jumlah cluster . Dari hasil pengujian, dilakukan perhitungan akurasi untuk setiap skenario uji untuk setiap jumlah cluster . Dari seluruh skenario uji, dicari rata-rata akurasi dari seluruh skenario percobaan untuk setiap jumlah cluster . Dari skenario global ini dihasilkan seberapa besar nilai akurasi yang diperoleh dari masing-masing jumlah aturan yang dibangkitkan. Dari hasil penelitian menunjukkan bahwa, dari jumlah cluster yang diuji yaitu cluster 2, 3, 4, 6, 7, 8, dan 9. Hasil akurasi tertinggi diperoleh pada pengujian dengan jumlah cluster 7 sebesar 83%. Dan menghasilkan nilai akurasi terendah pada pengujian dengan jumlah cluster 3 sebesar 66%. Bisa disimpulkan untuk penggunaan algoritma K-Means clustering sudah memiliki hasil yang maksimal dan bisa dikatakan metode ini berhasil dalam membangkitkan aturan fuzzy .
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2013/55/051304755 |
| Subjects: | 000 Computer science, information and general works > 005 Computer programming, programs, data |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Endang Susworini |
| Date Deposited: | 14 Aug 2013 11:09 |
| Last Modified: | 23 Oct 2021 09:51 |
| URI: | http://repository.ub.ac.id/id/eprint/145840 |
Preview |
Text
051304755.pdf Download (8MB) | Preview |
Actions (login required)
 |
View Item |