Model jaringan saraf fungsi radial basis (Radial Basis Function Neural Network = RBFNN) adalah model jaringan saraf dengan satu unit dalam lapisan tersembunyi, dimana fungsi aktivasinya adalah fungsi basis (Gaussian) dan fungsi linear pada lapisan output. Untuk mendapatkan model RBFNN terbaik, diperlukan kombinasi yang tepat antara jumlah variabel input, jumlah node (kluster), yang berimplikasi pada jumlah parameter optimal. Untuk menda-patkan sejumlah node yang diinginkan dilakukan dengan mengelompokkan data. Salah satu metode pengelompokan data adalah metode K-mean. Dengan terbentuknya kelompok data, maka nilai tengah dan varians variabel input pada setiap kluster dapat dihitung. Komponen invers varians pada fungsi aktivasi RBFNN merupakan bobot dari suatu pergeseran, sehingga diperlukan nilai interval untuk varians tersebut. Nilai varians suatu variabel input pada suatu node yang berada diluar diluar interval mengindikasikan hubungan input dengan node tidak memberi sumbangan yang signifikan pada model RBFNN, sehingga perlu dihapus. Penentuan model terbaik dari RBFNN dapat diketahui dengan kriteria nilai Mean Square Error (MSE) kecil dan Koefisien Determinasi (R2) besar.

Kata kunci : RBFNN, K-mean, Interval Varians, MSE, R2