PENENTUAN WAKTU TERAKHIR PENGGUNAAN GANJA DENGAN

METODE RADIAL BASIS FUNCTION NEURAL NETWORK

(Proposal Penelitian)

Oleh

CLAUDYA ANNISA RAHMAWATI SUSANTO

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS LAMPUNG
BANDAR LAMPUNG
2023
 DAFTAR ISI

Halaman

I. PENDAHULUAN.........................................................................................1

1.1 Latar Belakang dan Masalah.................................................................1

1.2 Tujuan Penelitian...................................................................................3
1.3 Manfaat Penelitian.................................................................................3

II. TINJAUAN PUSTAKA................................................................................4

2.1 K-Means.................................................................................................4
2.2 Radial Basis Function Neural Network (RBFNN)................................5
2.3 Membagi data training dan data testing................................................5
2.4 Ganja......................................................................................................9
2.5 Pelegalan dan pemanfaatan ganja........................................................11
2.6 Negara yang melegalkan ganja............................................................12

III. METODOLOGI PENELITIAN...............................................................14

3.1 Waktu dan Tempat Penelitian..............................................................14

3.2 Data Penelitian.....................................................................................14
3.3 Metode Penelitian................................................................................14

DAFTAR PUSTAKA...........................................................................................16
 I. PENDAHULUAN

1.1 Latar Belakang dan Masalah

Merujuk pada Undang-Undang No. 35 Tahun 2009 tentang Narkotika pada Pasal
1 angka 1, Narkotika adalah zat atau obat yang dapat memberikan efek penurunan
atau perubahan kesadaran, mengurangi atau menghilangkan rasa nyeri dan
memiliki sifat yang adiktif serta berasal dari tanaman maupun bukan tanaman.
Menurut Kepala Badan Narkotika Nasional (BNN), Komjen Budi Waseso, yang
dikutip dari (Kompas, 2017), Indonesia menjadi negara darurat narkoba sejak
tahun 1971. Jenis narkoba yang paling banyak dikonsumsi oleh penyalahguna
narkoba di Indonesia adalah ganja atau yang memiliki nama ilmiah cannabis,
dengan jumlah penyalahguna mencapai 1.742.285 orang (BNN, 2017).

Konsumsi ganja dengan jangka panjang dapat memberikan dampak buruk

terhadap kesehatan seperti radang paru-paru, iritasi, pembengkakan saluran nafas,
kerusakan aliran darah koroner serta berisiko terhadap turunnya kadar hormon dan
daya tahan tubuh. Selain dampak terhadap fisik, penyalahgunaan ganja juga
berdampak terhadap psikis, seperti penurunan kemampuan untuk berbicara,
berpikir, membaca maupun bergaul. Dampak lain yang dapat terjadi ketika
penyalahguna telah mengalami kecanduan ganja adalah sakau. Menurut
Partodiharjo (2006), rehabilitasi narkoba adalah suatu metode pemulihan terhadap
kesehatan jiwa maupun raga pecandu narkoba, sehingga dapat terbebas dari rasa
candu terhadap narkoba dan terhindar dari dampak buruk yang ditimbulkan dari
penyalahgunaan narkoba. Rehabilitasi bisa dilakukan melalui rumah sakit
ataupun panti rehabilitasi guna mendapatkan perawatan yang komprehensif.
Pada penelitian yang dilakukan oleh (Mirawanti, et al., 2012), dengan
menggunakan objek Rumah tangga miskin Kota Pasuruan untuk melakukan
perbandingan terhadap Metode Regresi Logistik Ordinal dengan Jaringan Saraf
Tiruan Fungsi Radial, memberikan hasil akurasi klasifikasi sebesar 67,08%
terhadap metode RBFNN dengan K-Means dan hanya 38% terhadap metode
Regresi Logistic Ordinal. Pada penelitian tersebut, mendapatkan rata-rata akurasi
sebesar 86,996% terhadap data uji dan nilai error sebesar 13,003%. Selain itu,
penelitian yang dilakukan oleh (Dillak, 2012) menggunakan Jaringan RBF pada
obyek medical prescription penyakit jantung, mampu memberikan hasil ketepatan
diagnosa dan kesesuaian jenis obat sebesar 85%. Dan penelitian yang terkait
dengan klasifikasi durasi pemakaian narkoba pernah dilakukan sebelumnya oleh
(Fehrman, et al., 2017). Hasil yang didapatkan pada penelitian tersebut memiliki
nilai rata-rata sensitivitas dan spesifisitas hingga 75% untuk narkoba jenis ganja.

Metode yang dapat digunakan untuk mengetahui waktu terakhir pemakaian

narkoba jenis ganja adalah dengan klasifikasi menggunakan Jaringan Saraf
Tiruan. Kita dapat menggunakan Radial Basis Function untuk klasifikasinya.
Model jaringan saraf fungsi basis radial adalah model jaringan saraf dengan satu
unit dalam lapisan tersembunyi. Penerapan RBFNN memiliki kemampuan untuk
mengelompokkan suatu kasus analisis data dan peramalan berdasarkan struktur
jaringannya. Perkembangan selanjutnya berkembang metode menggunakan skema
Jaringan Saraf Tiruan atau Neural Network (Nievergelt, 1969). Salah satu metode
peramalan yang tergolong dalam model NN adalah model Radial Basis Function
Neural Network. Jaringan saraf fungsi basis radial merupakan jaringan saraf feed
forward bersifat khusus yakni mentransformasikan input secara non linier pada
hidden layer yang selanjutnya diproses secara linier pada output layer.

Faktor-faktor yang dapat dijadikan landasan dalam mengetahui waktu terakhir

penggunaan ganja adalah, umur, tingkat pendidikan yang terakhir ditempuh,
openness to experience atau tingkat keterbukaan terhadap orang lain,
agreeableness atau tingkat kemufakatan dengan orang lain, conscientiousness atau
tingkat kesungguhan untuk mencapai tujuan dan impulsivity.
1.2 Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk mendapatkan parameter terbaik dalam
metode Radial Basis Function Neural Network (RBFNN) dalam menentukan
waktu terakhir penggunaan ganja. Serta mendapatkan nilai akurasi dalam
penerapan metode Radial basis Function Neural Network (RBFNN) dalam
penentuan waktu terakhir penggunaan ganja.

1.3 Manfaat Penelitian

Manfaat dari penelitian ini adalah:

Penelitian ini dilakukan dengan harapan memberikan manfaat untuk mengetahui
waktu terakhir penggunaan ganja sehingga dapat membantu memutuskan jenis
rehabilitasi yang sesuai untuk pemakai ganja.
 II. TINJAUAN PUSTAKA

2.1 K-Means

K-Means adalah salah satu metode pengelompokan data non-hierarchical yang

berusaha untuk mempartisi data yang ada dalam bentuk satu atau lebih cluster
(Hruschka & Ebecken, 2003). Normalisasi Menurut Kuntjoro, et al. (2018),
clustering adalah penglompokan data yang bertujuan untuk mencari data dengan
`karakteristik yang sama untuk dijadikan satu klaster dan memisahkan klaster
untuk data dengan karakteristik yang berbeda.

Metode K-Means adalah proses pengelompokan yang telah dilemahkan karena

penentuan pusat cluster awal. Algoritme K-Means mencari solusi lokal optimum
untuk solusi awal guna memperbaiki hasil partisi (Wu & Yang, 2002). Metode
non-heuristic berbasis pendekatan lokal digunakan untuk pengelompokan K-
Means dan membuktikannya melalui studi empiris. Jadi, centroid clustering awal
yang baik dapat digunakan dengan teknik lainnya. K-Means Clustering
meningkatkan centroid clustering yang optimal (Kumar, et al., 2010).

Tahapan pada metode K-Means:

1. Menentukan jumlah klaster, Inisialisasi jumlah klaster, fungsi obyektif awal,
threshold, batas iterasi maksimum dan klaster awal.
2. Hitung centroid setiap klaster.
Nk
1
𝐶𝑘𝑗 = ∑ X ij (1)
N k k=0
Keterangan: 𝐶𝑘𝑗 = centroid atau nilai mean klaster ke-𝑘 untuk fitur ke-𝑗
𝑁𝑘 = jumlah data pada klaster ke-𝑘
𝑋𝑖𝑗= nilai data ke-𝑖 untuk fitur ke-𝑗
3. Hitung jarak data dengan centroid.
d ik =√ ∑ ¿ ¿ ¿ (2)
Keterangan:
d ik = jarak antara data ke-𝑖 dengan klaster ke-𝑘
𝑃 = jumlah fitur
𝑋𝑖𝑗 = nilai data ke-𝑖 pada fitur ke-𝑗
𝐶𝑘𝑗 = nilai centroid klaster ke-𝑘 pada fitur ke-𝑗
4. Perbarui klaster setiap data dengan mencari jarak maksimum data terhadap
centroid.
5. Hitung fungsi obyektif.
𝐹𝑡 = ∑in=0 d ikmin (3)
Keterangan:
𝐹𝑡 = nilai fungsi objektif iterasi ke- 𝑡
𝑛 = jumlah data
ik
d min = jarak minimum data ke- 𝑖 ke semua klaster 𝑘
6. Hitung perubahan fungsi obyektif.
∆𝐹𝑡 = |𝐹𝑡 − 𝐹𝑡−1 | (4)
Keterangan: ∆𝐹𝑡 = delta fungsi objektif pada iterasi ke-t

2.2 Radial Basis Function Neural Network (RBFNN)

Jaringan radial basis function memiliki model jaringan yang hampir menyerupai
metode jaringan syaraf tiruan multilayer perceptron (MLP network). Jaringan
RBF suatu jaringan yang memiliki dua layer. Jaringan syaraf tiruan fungsi radial
basis biasanya membutuhkan jumlah neuron yang lebih banyak daripada jaringan
feelforward (Kusumadewi, 2003). Menurut Azmi (2016), pada jaringan RBF,
hidden layer bersifat non-linier dengan menggunakan fungsi aktivasi Gaussian
dan output layer bersifat linier sehingga menggunakan fungsi aktivasi linier. Pada
 jaringan RBF, dari input layer ke hidden layer tidak menerapkan operasi perkalian
matriks antara data input dengan bobot, tetapi dengan menghitung jarak antara
data input dengan nilai center dari setiap hidden neuron. Nilai center dari hidden
neuron dapat ditentukan salah satunya dengan metode unsupervised seperti
algoritme K-means (Santosa, 2016). Radial Basis Function Neural Network
(RBFNN) merupakan salah satu arsitektur ANN yang populer digunakan dalam
klasifikasi. Metode RBFNN menggunakan dua pendekatan yaitu supervised dan
unsupervised serta dalam beberapa penelitian menghasilkan akurasi klasifikasi
yang tinggi.

Radial Basis Function Neural Network (RBFNN) merupakan neural network yang
menggunakan fungsi radial basis pada hidden layer untuk tujuan klasifikasi
maupun peramalan. Neural Network yang dikembangkan menjadi fungsi radial
basis dengan sistem pemrosesan informasi yang memiliki karakteristik mirip
dengan jaringan saraf biologi, terdiri dari lapisan input, lapisan tersembunyi, dan
lapisan output.

Pada metode RBFNN dengan K-Means, dilakukan dua langkah utama. Langkah
pertama adalah clustering data dengan K-Means. Pada langkah pertama bertujuan
untuk mendapatkan nilai mean tiap atribut pada tiap klaster atau hidden neuron.
Setelah mendapatkan hasil training maka langkah kedua adalah melakukan
klasifikasi dengan RBFNN (Mirawanti et al., 2012). Pada RBFNN terdapat dua
fase utama, yaitu fase training dan fase testing. Berikut langkah-langkah dalam
metode RBFNN.

RBFNN terdiri dari tiga lapisan yaitu input layer, hidden layer dan output layer.
Setiap neuron/unit pada input layer sesuai dengan komponen dari vektor masukan.
Hidden layer adalah satu-satunya lapisan tersembunyi dalam RBFNN yang
berlaku transformasi nonlinier dari input layer ke dalam hidden layer dengan
menggunakan fungsi aktivasi nonlinier. Dengan menggunakan algoritma K-Mean
Cluster, pola pelatihan pada hidden layer akan terkelompok ke dalam jumlah yang
 wajar. Output layer terdiri dari neuron linier terhubung ke semua neuron
tersembunyi. Jumlah neuron pada output layer sama dengan jumlah kelas data
target.

Hal yang khusus pada RBFNN adalah pemrosesan sinyal dari input layer ke hidden
layer bersifat nonlinier, sedangkan dari hidden layer ke ouput layer bersifat linier.
Pada hidden layer digunakan sebuah fungsi aktivasi berbasis radial untuk
membawa input menuju lapisan berikutnya. Dari beberapa fungsi aktivasi, fungsi
Gaussian merupakan fungsi aktivasi yang paling sering digunakan.

A. Fase Training
Inisialisasi nilai centroid dari hasil clustering dengan K-Means
1. Hitung nilai spread. Pada penelitian ini nilai spread untuk seluruh hidden
neuron dibuat sama. Menurut Haykin (2009) nilai spread untuk fungsi
Gaussian adalah seperti pada Persamaan 5.
d max
σ j= (5)
√2 k
Keterangan:
𝜎j = nilai spread hidden neuron ke- 𝑗
d𝑚𝑎𝑥 = jarak maksimum dari pusat klaster yang terbentuk
𝐾 = banyaknya klaster yang terbentuk
2. Meneruskan sinyal dari input layer ke hidden layer dengan fungsi
aktivasi Gaussian.
φ j=exp ⁡¿) (6)
Keterangan:
𝜑j = fungsi Gaussian pada hidden neuron ke-𝑗
‖ x i−¿c ‖ ¿ = jarak antara data ke- 𝑖 dengan nilai centroid dari hidden
2
j

neuron ke-
𝑗 𝜎𝑗2 = nilai spread hidden neuron ke- 𝑗
3. Membangun amtriks Gaussian dari langkah 3. Kemudian mengisi kolom
terakhir dengan nilai bias, yaitu 1.
 𝐺 = [𝜑1 … 𝜑j 𝑏] (7)
Keterangan:
𝐺 = matriks Gaussian
𝑗 = indeks hidden neuron
𝑏 = bias
4. Perbarui bobot dan bias dengan pseudoinverse dari matriks Gaussian dan
mengalikannya dengan target.
𝑊 = (𝐺T𝐺)-1 𝐺TT (8)
Keterangan:
𝑊 = matriks bobot dari hidden neuron ke output neuron
𝐺T = transpose dari matrik
𝐺 (𝐺T𝐺)-1 = inverse dari perkalian 𝐺T dan 𝐺
T = matriks target
5. Simpan hasil dari proses training yang berupa matrik centroid, spread,
bobot dan bias.

B. Fase Testing

1. Hitung matriks Gaussian untuk data uji menggunakan Persamaan 7 dan 8

dengan nilai centroid dan spread yang didapat dari fase training.
2. Hitung output RBFNN dengan bobot dan bias yang didapatkan dari fase
training.
yk== ∑ mj=1 φij w jk +b k (9)
Keterangan:
𝑦k = nilai keluaran pada output neuron ke- 𝑘
𝑤jk = bobot dari hidden neuron ke-𝑗 ke output neuron ke-𝑘
𝜑ij = fungsi aktivasi Gaussian data ke-𝑖 hidden neuron ke-𝑗
𝑏k = bobot bias untuk output neuron ke-k
3. Tentukan kelas setiap data dari indeks output neuron yang memiliki nilai
𝑦𝑘 maksimum untuk data tersebut.
 2.3 Membagi data training dan data testing

Pada proses ini data dibagi menjadi dua bagian yaitu data training dan data
testing. Proporsi pembagian data bersifat subjektif tergantung peneliti.
Persentase data training lebih besar dibanding dengan data testing. Data testing
yang dapat digunakan 10% sampai 30% dari data terakhir (Aisyah, et al., 2021).

Pembagian data training Data training yang digunakan pada penelitian ini dengan
komposisi 70%,80%, dan 90%. Proses pembentukan data training yaitu dengan
cara menggunakan komposisi yang telah ditentukan dari jumlah seluruh data.
Sehingga data training yang terbentuk antara lain komposisi 70% diperoleh 84
data training, 80% diperoleh 96 data training dan 90% diperoleh 108 data
training. Berdasarkan data training yang diperoleh kemudian digunakan untuk
menentukan pemodelan RBFNN.

Pembagian data testing pada penelitian ini data testing merupakan sisa komposisi data
yang terlah digunakan pada data training. Komposisi yang digunakan antara lain
10%, 20%, dan 30%. Data testing yang diperoleh yaitu untuk komposisi 30% ada
36 data, 20% diperoleh 24 data dan 90% diperoleh 12 data. Hasil data testing
digunakan untuk menentukan pemodelan RBFNN yang terbaik dengan tingkat
akurasi.

2.4 Ganja

Ganja atau dengan nama ilmiah cannabis sativa, merupakan salah satu jenis
tanaman psikotropika yang mengandung tetrahidrokanabinol dan kanabinol
(Gethzamani, 2020). Ganja dapat digolongkan sebagai narkoba karena mampu
memberikan efek euphoria atau rasa senang tanpa sebab kepada pemakainya
karena terdapat kandungan zat Tetrahidrokanabinol (THC) di dalamnya.
Penyalahgunaan ganja dapat menyebabkan berbagai efek berbahaya bagi tubuh
pemakainya, baik secara fisik maupun secara psikis. Penyalahgunaan ganja
dengan dosis tinggi dapat memberikan dampak berupa peradangan pada paru-
paru, iritasi hingga pembengkakan saluran nafas (Humas BNN, 2011).

Adapun faktor-faktor yang dapat berpengaruh untuk mengetahui waktu terakhir

penggunaan ganja diantaranya:
1. Umur
2. Pendidikan yang terakhir ditempuh
3. Openness to experience (Oscore)
Oscore merupakan tingkat keterbukaan seseorang terhadap orang lain. Orang
dengan nilai oscore yang tinggi cenderung memiliki pemikiran yang
imajinatif (Friedman & Schustack, 2012).
4. Agreeableness (Ascore)
Ascore merupakan tingkat kemufakatan seseorang terhadap orang lain. Seseorang
dengan nilai ascore yang tinggi akan cenderung mudah memercayai orang
lain, murah hati, mudah menerima pendapat orang lain, mudah mengalah dan
menghindari konflik (Feist & Feist, 2009).
5. Conscientiousness (Cscore)
Cscore merupakan tingkat keseungguhan seseorang terhadap tujuan yang ingin
dicapai. Seseorang dengan nilai cscore yang tinggi cenderung dapat
diandalkan, teratur, fokus terhadap tujuan dan bertanggung jawab.
Sebaliknya, jika nilai cscore seseorang rendah, maka ia cenderung ceroboh,
berantakan, tidak terarah, mudah teralih perhatiannya dan tidak dapat
diandalkan (Friedman & Schustack, 2012).
6. Impulsivity
Merupakan tingkat dorongan dalam diri untuk melakukan tindakan untuk
kepuasan yang ingin dicapai, baik secara sadar maupun tidak sadar. Salah
satu metode yang dapat digunakan untuk mengukur tingkat impulsivity
sesorang adalah dengan BIS-11 (Patton et al., 1995).
2.5 Pelegalan dan pemanfaatan ganja

Peneliti AS di Oregon State University mengusulkan cannabinoid sebagai cara

untuk mencegah dan mengobati COVID-19, karena mereka memblokir virus
memasuki sel, berpotensi menawarkan perlindungan terhadap infeksi virus
corona.

Studi mereka menunjukkan bahwa asam CBGA (asam cannabigerolic) dan

CBDA (asam cannabidiolic) mengikat protein lonjakan dan mencegah Sars-CoV-
2 memasuki sel, tulis para peneliti dalam Journal of Natural Products. Berbeda
dengan tetrahydrocanabinol (THC) yang terkenal dalam ganja, CBGA dan CBDA
tidak bersifat psikoaktif.

Namun, penggunaan ganja juga dapat menyebabkan gangguan kognitif jangka

panjang, terutama pada orang muda yang otaknya masih berkembang. Keracunan
ganja (yang terjadi setelah mengkonsumsi THC dalam jumlah besar) dapat
menyebabkan gangguan kognitif ringan hingga sedang, memengaruhi
keterampilan pengambilan keputusan, kemampuan untuk menekan reaksi yang
tidak pantas atau mempelajari sesuatu dengan membaca dan mendengarkan, serta
waktu yang dibutuhkan untuk menyelesaikan tugas mental. Dan gangguan ini
dapat bertahan di luar durasi keracunan.

Namun, selain itu ganja memiliki manfaat dalam dunia medis. Lingkar Ganja
Nusantara, dalam tautannya menyebutkan bahwa Ganja adalah obat yang sangat
kuat, yang diidentifikasi terdiri dari 483 konstituen kimia yang berbeda. 66 di
antaranya disebut Cannabinoid. Senyawa Ganja yang memainkan peran penting
dalam kualitas ganja sebagai obat.

Terlepas dari risiko dan efek samping serta larangan hukum, ganja merupakan
obat ilegal paling populer di Eropa di kalangan anak muda. Obat-obatan populer
lainnya seperti alkohol dan tembakau dapat dibeli dan dikonsumsi secara legal di
Jerman dan banyak negara lain, meskipun obat-obatan tersebut juga dapat
menyebabkan kerusakan serius pada kesehatan dan hubungan seseorang, serta
masyarakat secara keseluruhan (Freund, 2022).

Pemerintah Jerman yang baru juga ingin melegalkan ganja. Perjanjian koalisi
antara Sosial Demokrat (SPD), Hijau dan Demokrat Bebas neoliberal (FDP)
menyatakan akan memperkenalkan distribusi ganja yang terkontrol kepada orang
dewasa untuk tujuan rekreasi di toko berlisensi. Ini akan memungkinkan kontrol
kualitas, mencegah distribusi yang terkontaminasi. zat dan memastikan
perlindungan anak di bawah umur. Dalam empat tahun, akan dilakukan evaluasi
hukum dan dampak sosial yang ditimbulkannya.

2.6 Negara yang melegalkan ganja

Kebijakan soal ganja di sebagian besar negara diatur oleh tiga perjanjian PBB:
Konvensi Tunggal 1961 tentang Narkotika, Konvensi 1971 tentang Zat
Psikotropika, dan Konvensi 1988 Anti-Peredaran Gelap Narkotika dan Zat
Psikotropika. Ganja diklasifikasikan sebagai obat Schecule I dibawah perjanjian
Konvensi Tunggal, yang berarti bahwa penandatangan dapat mengizinkan
penggunaan medis tetapi dianggap sebagai obat adiktif dengan risiko
penyalahgunaan yang serius.

Penggunaan ganja untuk tujuan rekreasi dilarang di sebagian besar negara.

Namun, banyak yang mengadopsi kebijakan dekriminalisasi untuk menjadikan
kepemilikan sederhana sebagai pelanggaran non-pidana yang seringkali sepadan
dengan pelanggaran lalu lintas ringan. Lainnya memiliki hukuman yang jauh
lebih berat seperti beberapa negara Asia dan Timur Tengah di mana kepemilikan
bahkan dalam jumlah kecil dihukum penjara selama beberapa tahun.
Berikut daftar negara yang melegalkan ganja dalam dunia medis, Argentina,
Australia, Barbados, Brasil, Kanada, Chile, Kolombia, Kroasia, Siprus, Republik
Ceko, Denmark, Ekuador, Finlandia, Jerman, Yunani, Irlandia, Israel, Italia,
Jamaik, Lebanon, Lithuania, Luksemburg, Malawi, Malta, Belanda, Selandia
Baru, Makedonia Utara, Norwegia, Panama, Peru, Polandia, Portugal, Rwanda,
Saint Vincent and the Grenadines (Muhaimin, 2021).
 III. METODOLOGI PENELITIAN

3.1 Waktu dan Tempat Penelitian

Penelitian ini dilakukan pada semester genap tahun ajaran 2022/2023 di jurusan
Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lampung.

3.2 Data Penelitian

Data yang digunakan adalah 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%.

3.3 Metode Penelitian

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. Untuk pengujian dan analisis nya terdiri dari:
1. Pengujian dan Analisis Maksimum Iterasi K-Means
2. Pengujian dan Analisis Banyak Hidden Neuron
3. Analisis Global
 DAFTAR PUSTAKA

Aisyah, S., Wahyuningsih, S., & Amijaya, F. 2021. Peramalan Jumlah Titik
Panas Provinsi Kalimantan Timur Menggunakan Metode Radial Basis
Function Neural Network. Journal of Probability and Statistics
(Jambura). 2(2): 64-72.

Azmi, F. 2016. Analisis Learning Jaringan RBF (Radial Basis Function

Network) pada Pengenalan Pola Alfanumerik. Jurnal Times. 5(2): 32-
34.

BNN Baddoka Makassar. 2017. Rehabilitasi. Badan Narkotika Nasional

Baddoka Makassar. http://rehabbaddoka.com/. Diakses pada 30
September 2018.

BNN Republik Indonesia. 2017. Data Pendukung Press Release Akhir Tahun
2017.
http://www.bnn.go.id/_multimedia/document/20180208/lampiran_press_
release_akhir_tahun_2017_fin-20180208110343. Diakses pada 18 Juli
2018.

Freund, A. 2022. Legalisasi Ganja: Risiko dan Manfaat Kesehatan.

https://www.dw.com/id/legalisasi-ganja-risiko-dan-manfaat-kesehatan/a-
60573928. Diakses 28 Januari 2022.

Gethzamani. 2020. Pemanfaatan Ganja Untuk Pengobatan Dalam Dunia Media.

https://blogs.insanmedika.co.id/pemanfaatan-ganja/. Diakses pada 26
Februari 2020.

Humas BNN. 2011. Ulasan Tentang Ganja. DEDI Humas BNN. 15 Agustus
2018.
http://dedihumas.bnn.go.id/read/section/artikel/2012/04/02/354/ulasan-
tentangganja. Diakses pada 27 April 2023.
Kuntjoro, D.A., Setiawan, B.D., & Perdana, R.S. 2018. Algoritme Genetika
untuk Optimasi K-Means Clustering dalam Pengelompokan Data
Tsunami. Jurnal Pengembangan Teknologi Informasi dan Ilmu
Komputer. 2(10): 3865-3872.

Kusumadewi. 2003. Penerapan Radial Basis Function Neural Network Dalam

Pengklasifikasian Daerah Tertinggal Di Indonesia. Jurnal Aplikasi
Statistika&Komputasi Statistik. 12(1): 2086-4132.

Muhaimin. 2021. Daftar Lengkap Negara yang Legalkan Ganja. 25 Maret 2021.
https://international.sindonews.com/read/609723/40/inilah-daftar-
lengkap-negara-yang-legalkan-ganja-1637820687/10. Diakses pada 28
Maret 2023.

Patton, J.H., Stanford, M.S., & Barrat, E.S. 1995. Factor Structure of The Barrat
Impulsiveness Scale. Journal of Clinical Psychology. 51(6): 764-768

Santosa, S., Widjanarko, A., & Supriyanto, C. 2016. Model Prediksi Ginjal
Kronik Menggunakan Radial Basis Function. Jurnal Pseudocode. 3(2):
163-170