Penentuan Waktu Terakhir Penggunaan Ganja dengan Metode Radial Basis Function Neural Network (RBFNN)

Anggraini, Sukma Fardhia (2018) Penentuan Waktu Terakhir Penggunaan Ganja dengan Metode Radial Basis Function Neural Network (RBFNN). Sarjana thesis, Universitas Brawijaya.

Abstract

Pada Pada tahun 2017, jumlah penyalahguna ganja di Indonesia mencapai 1.742.285 orang. Ketika seorang pecandu ganja ingin menghentikan pemakaian secara mendadak, maka dapat menimbulkan gejala sakau. Untuk mengantisipasi gejala sakau maka dapat dilakukan langkah rehabilitasi, sehingga pecandu bisa mendapatkan perawatan yang komprehensif. Penentuan jenis rehabilitasi yang sesuai dapat menjadikan perawatan lebih efektif. Sehingga dengan mengetahui waktu terakhir penggunaan ganja, diharapkan dapat memberi informasi pendukung untuk menentukan program rehabilitasi yang sesuai untuk pecandu ganja. Salah satu teknik dalam data mining yang dapat digunakan untuk menyelesaikan permasalahan ini adalah dengan teknik klasifikasi. Pada penelitian ini, metode klasifikasi yang digunakan adalah metode Radial Basis Function Neural Network (RBFNN) dengan K-Means. Tahapan yang dilakukan meliputi tahap normalisasi data, metode K-means untuk menentukan nilai center dan spread pada fungsi aktivasi Gaussian, tahap training RBFNN dan tahap testing RBFNN. Penelitian ini menggunakan 627 data pengguna ganja yang dipublikasikan di UCI Machine Learning pada tahun 2016. Berdasarkan hasil pengujian dari penelitian yang telah dilakukan, didapatkan parameter optimal diantaranya 7 hidden neuron dan batas maksimal iterasi K-Means adalah 100. Dengan menggunakan parameter tersebut, didapatkan hasil akurasi sebesar 35,908%.

English Abstract

In 2017, there are 1,742,285 cannabis (popular as marijuana) abusers in Indonesia. If a marijuana addict suddenly wants to stop using marijuana, it can cause symptoms of “sakau”. To anticipate the symptoms of “sakau”, rehabilitation treatment can be taken, so that marijuana addicts can get comprehensive treatment. Determining the appropriate type of rehabilitation, can make it useful. Then knowing the last time abusers had consumption the marijuana, be expected to provide supporting information to determine the appropriate rehabilitation program for marijuana addicts. One technique in data mining that can be used to solve this problem is classification techniques. In this study using Radial Radial Basis Function Neural Network (RBFNN) with K-Means as the classification method. The steps taken included data normalization, K-Means to found the value of centers and spread for Gaussian activation function, training and testing RBFNN. This study using 627 marijuana abuser data which was published on the UCI Machine Learning in 2016. The results of the research showed the optimal parameters involves 7 hidden neurons and 100 as the maximum limit of K-Means iterations. By using these parameters, the classification result achieved accuracy of 35,908%.

Item Type:	Thesis (Sarjana)
Identification Number:	SKR/FTIK/2018/985/051900766
Uncontrolled Keywords:	ganja, klasifikasi, Radial Basis Function Neural Network, K-Means, clustering-cannabis, marijuana, Radial Basis Function Neural Network, K-Means, classification, clustering
Subjects:	300 Social sciences > 362 Social problems of and services to groups of people > 362.2 People with mental illness and disabilities > 362.29 Substance abuse > 362.293 Narcotics
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	Sugeng Moelyono
Date Deposited:	15 Apr 2020 08:11
Last Modified:	18 May 2022 01:25
URI:	http://repository.ub.ac.id/id/eprint/166901

Text Sukma Fardhia Anggraini.pdf Download (8MB)

Actions (login required)

View Item