1. Data Masukan
Data yang akan dikelompokkan adalah data masyarakat yang telah dimiliki sebelumnya,
misalkan data yang telah ada seperti terlihat pada Tabel 4.1 berikut ini :
Tabel 4.1 Data masyarakat miskin
NO
1
2
3
4
5
6
7
8
9
10
X1
10
10
10
7
7
10
10
5
0
10
X2
1
1
10
10
5
10
10
10
0
10
X3
10
5
5
10
5
5
5
1
1
1
X4
26
20
33
20
28
28
28
31
22
28
X5
5
0
5
0
5
5
5
3
0
5
Jumlah data yang akan dijadikan sebagai contoh sebanyak 10 data kasus, sedangkan
masing-masing kolom dijelaskan sebagai :
X1 : Pekerjaan
X2 : Rumah tinggal
X3 : Kepemilikan investasi
X4 : Jumlah tanggungan
X5 : Penghasilan sebulan
=c
= 3;
pangkat
=w
= 2;
maksimum iterasi
= MaxIter
= 50;
= 10-3;
= P0
= 0;
iterasi awal
=t
= 1;
2. Analisis proses
Pada tahap pemrosesan data masukan dilakukan berdasarkan aturan algoritma dari metode
sendiri, diantaranya :
ik
ik
Qj
Matrik
k 1
ik
dan
Data
ke-i
Uik
2
0,17
0,48
0,35
0,27
0,69
0,04
0,56
0,11
0,33
0,45
0,32
0,23
0,09
0,69
0,22
0,32
0,36
0,32
0,14
0,20
0,66
0,55
0,15
0,30
0,23
0,32
0,55
10
0,17
0,65
0,18
ik
i 1
X ij
w
ik
i 1
k/j
1
2
3
1
8,36070
13,04400
8,86910
1,0505
1,48920
0,96230
2
9,54830
6,15300
8,26410
3
5,19950
9,02000
5,32850
4
29,62850
36,73680
27,07790
5
3,27050
4,50850
4,35900
Pusat cluster diperoleh dari kelanjutan hasil perhitungan Tabel 4.3 dengan memberikan hasil
seperti Tabel 4.4 berikut ini :
Tabel 4.4 Pusat cluster
k/j
1
1
7,958782
2
9,089291
)
(
3
4,949548
4
28,204188
5
3,113279
2
3
8,759065
9,216564
4,131749
8,587862
6,056943
5,537254
24,668815
28,138730
3,027464
4,529772
Data
ke-i/k
1
2,991972
10,687647
9,896599
21,112030
0,172089
0,880632
0,168558
9,986161
11,095288
0,699273
1
2
3
4
5
6
7
8
9
10
2
7,501458
20,676202
1,335755
8,605876
9,499617
6,749712
2,083244
2,570046
13,890904
32,336737
3
10,1553486
0,23237734
2,91303198
6,00844307
0,88644199
0,32121919
1,36643634
4,57985663
71,8395046
0,75929213
20,648779
31,596227
14,145386
35,726349
10,558148
7,951563
3,618239
17,136064
96,825697
33,795303
141,380754
d. Perbaiki derajat keanggotaan baru, seperti yang terlihat pada Tabel 4.6 berikut ini :
Tabel 4.6 Perbaikan derajat keanggotaan baru (
Data
ke-i/k
)
((
Baru)
Baru
0,000624
10
4
5
0,0745419 0,849502
0,075956
3. Data Keluaran
Penentuan kelompok dari data ditentukan ketika iterasi berhenti, misalkan Tabel 4.7
berikut ini adalah data akhir hasil iterasi yang terbentuk. Penentuan kelompok diperoleh
dengan membandingkan nilai tiap cluster dari data.
Tabel 4.7 Pengelompokan data
Data
ke-i/k
1
2
3
4
5
6
7
8
9
10
1
0,07892331
0,0745419
0,40427756
0,29572797
0,28740751
0,11705156
0,11705156
0,66472665
0,23977483
0,46168558
2
0,797991
0,849502
0,033038
0,455105
0,325849
0,003192
0,003192
0,055523
0,573203
0,046143
3
0,1230855
0,075956
0,5626842
0,2491666
0,3867432
0,8797569
0,8797569
0,2797504
0,1870224
0,4921715
Cluster
2
*
*
*
*
*
*
*
*
*
*
Dari Tabel 4.7 terlihat bahwa anggota dari tiap cluster yang terbentuk yaitu :
Cluster 1 : { 8 }
Cluster 2 : { 1, 2, 4, 9 }
Cluster 3 : { 3, 5, 6, 7, 10 }
5
0-10
7-10
Rumah
tinggal
10
0-10
5-10
Kriteria
Kepemilikan
1
1-10
1-5
Jumlah
tanggungan
31
20-26
28-33
Penghasilan
3
0-5
5
Jika pada contoh ini mempunyai kasus baru dengan data-data sebagai berikut :
Pekerjaan
:5
Rumah tinggal
:5
Kepemilikan
:0
Jumlah tanggungan
:5
Penghasilan
:3
dari kasus ini akan ditentukan keberadaannya pada kelompok dengan menghitung selisih
antara pusat cluster dengan data kasus, rincian perhitungan dapat dilihat pada Tabel 4.9
berikut ini :
Tabel 4.9 Perhitungan selisih kasus
1
2
3
4
23,204188
19,668815
23,138730
5
2,113279
2,027464
3,529772
Hasil
37,315088
30,644037
40,010184
Dari hasil perhitungan Tabel 4.9 dapat diketahui bahwa nilai yang terkecil dari perhitungan
selisih terlihat pada cluster ke 2 dengan nilai 30,644037. Ini juga membuktikan bahwa kasus
baru yang diberikan termasuk ke dalam kategori LAYAK