Clustering yaitu menentukan titik-titik pusat merupakan konsep yang paling mendasar untuk menentukan pola dari suatu data. Fuzzy clustering memberikan pengelompokan data secara fuzzy partition, yang lebih kuat, lebih luas, dan lebih realitas u y pa t t o , ya g eb uat, eb uas, da eb ea tas dari pada crisp partition. Ada 2 metode fuzzy clustering: 1. fuzzy c-means clustering method (fcm) menggunakan fuzzy c-partitions yang merupakan fuzzy pseudopartition dengan menentukan terlebih dahulu banyaknya titik cluster yang ingin dicari. 2. 2 fuzzy subtractive clustering method menggunakan fuzzy equivalence relations yang merupakan regular fuzzy partitions tanpa menentukan terlebih dahulu banyaknya titik cluster yang ingin dicari dicari.
Praktikum Fuzzy Logic - Abdul Aziz, M.Si. 1
PRAKTIKUM 4
Pada command window MATLAB ketikkan: D=load (fcmdata.dat) plot(D(:,1),D(:,2),'o')
1 0 .9 0 .8 0 .7 0 .6 0 .5 0 .4 0 .3 0 .2 0 .1 0
0 .1
0 .2
0 .7
0 .8
0 .9
[C,U,F] = fcm(D,2) Dimana C : koordinat 2 cluster U: nilai atau derajat keanggotaan setiap data F : fungsi objektif untuk iterasi terakhir maxU = max(U); index1 = find(U(1, :) == maxU); index2 = find(U(2 :) == maxU); find(U(2, line(D(index1,1),D(index1, 2),'linestyle,'none','marker', x','color',r'); line(D(index2,1), D(index2,2),'linestyle','none','marker', o','color',g'); hold on plot(C(1,1),C(1,2),'ko','markersize',15,'LineWidth',2) plot(C(2,1),C(2,2),'kx','markersize',15,'LineWidth',2) figure(2); plot(F,-o) ( ) ( )
Praktikum Fuzzy Logic - Abdul Aziz, M.Si. 4
1 0 .9 0 .8 0 .7 0 .6 0 .5 0 .4 0 .3 0 .2 0 .1 0
0 .1
0 .2
0 .3
0 .4
0 .5
0 .6
0 .7
0 .8
0 .9
PRAKTIKUM 5
findcluster('fcmdata.dat findcluster( fcmdata.dat ')