Analisis Algoritma Djikstra Menentukan Rute Terpendek dengan Adanya Kendala Tambahan
| Main Author: | Khair, Husnul |
|---|---|
| Other Authors: | Mawengkang, Herman, Efendi, Syahril |
| Format: | Masters application/pdf |
| Bahasa: | ind |
| Terbitan: |
Universitas Sumatera Utara
, 2018
|
| Subjects: | |
| Online Access: |
http://repositori.usu.ac.id/handle/123456789/8151 |
Daftar Isi:
- 157038024
- Radial basis function (RBF) neural network merupakan salah satu metode pada neural network yang melakukan pembelajaran secara hybrid, yaitu: supervised learning dan unsupervised learning. Permasalahan umum yang ditemukan dalam pembelajaran jaringan syaraf tiruan radial basis function (RBF) yaitu kesulitan dalam penentuan centroid yang tepat dan bobot jaringan yang kurang optimal. Umumnya penentuan centroid dilakukan secara acak dan diupdate menggunakan metode k-means clustering. Namun, pemilihan centroid awal yang kurang tepat akan berdampak pada penurunan akurasi pengenalan daun pada jaringan RBF. Sebuah metode yang digunakan untuk mengukur tingkat kemiripan data diusulkan dalam penelitian ini, yaitu cosine similarity. Dengan membandingkan jarak kemiripan antara setiap data akan dihasilkan data yang paling tinggi tingkat kemiripannya dari yang lain, sehingga dapat dijadikan centroid pada jaringan tersebut. Hasil penelitian jaringan RBF menggunakan cosine similarity akan dibandingkan dengan metode yang umum digunakan dalam penentuan centroid, yaitu kmeans clustering. Hasil pengujian pada data menunjukkan pengenalan daun dengan jaringan RBF menggunakan cosine similarity memperoleh tingkat akurasi sebesar 79.22%, sedangkan pengenalan daun dengan jaringan RBF menggunakan metode kmeans clustering memperoleh tingkat akurasi sebesar 63.91%.
- Radial basis function (RBF) is a method of artificial neural networks that perform hybrid learning, namely supervised learning and unsupervised learning. Basically, problems found in learning of radial basis function (RBF) neural networks that is a difficult to determine the centroid exactly and weight of network the less optimal. Generally, to determine the centroid is done by random and updated to use k-means clustering method. However, selection of initial centroid is less precise will have an effect on the decrease of accurate learning on leaf recognition in RBF networks. A method is used to measure the level of similarity between the data proposed in this research, ie cosine similarity. By comparing the distance of similarity between each data, will be generated data the highest level of similarity from the others, so that can be used as a centroid in RBF networks. The result of research RBF network using cosine similarity will be compared a common method used in centroid determination, ie k-means clustering. The results of the test on data showed that leaf recognition with RBF network using cosine similarity method obtained an accuracy level of 79.22%, while the leaf recognition with RBF network using k-means clustering method obtained an accuracy level of 63.91%.