A.
UKURAN FUZZY
B.
FUZZY CLUSTERING
Studi kasus hal. 155 : jumlah balita, pendapatan per bulan dan jumlah konsumsi
susu
Daerah
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
Jumlah
Balita
20
20
23
56
45
15
22
40
75
13
25
70
18
15
68
27
80
13
17
72
Pendapatan
250
700
625
250
300
150
1000
450
300
800
400
750
350
750
625
208
880
150
202
1250
Konsumsi
Susu
102
170
160
148
115
80
198
120
167
192
125
177
108
175
178
118
189
102
114
185
Daerah
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
Jumlah
Balita
80
57
60
52
92
57
14
21
62
65
15
22
18
21
76
74
22
17
91
11
Pendap
atan
300
400
200
400
900
815
825
702
800
211
300
925
311
113
705
800
311
810
825
725
Konsumsi
Susu
167
142
144
119
201
192
167
182
176
161
117
162
105
102
178
181
117
181
185
151
Mean
m
=
1 N
Ui
N i 1
Variansi
v
1 N
(Ui m)
N 1 i 1
Standar Deviasi
Koefisien Korelasi
N
(x
i 1
(x
i 1
m1 )( y i m 2 )
m1 )
, m1=mean x, m2=mean y
(y
i 1
m2 )
Mean(x( :,1))
Var(x( :,1))
STD(x( :,1))
Pendapatan
(Y)
Konsumsi Susu
(Z)
Nilai Min
Nilai Max
Mean
Variansi
STDEV
4. Hitung koefisien korelasi dengan rumus yang sudah ditentukan diatas
kemuadian masukkan pada tabel berikut
Koefisien Korelasi
XY
XZ
Y-Z
C.
FUZZY C-MEAN
Fuzzy C-Means (FCM) adalah suatu teknik pengclusteran data yang mana
keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan.
Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981.
Konsep dasar FCM, pertama kali adalah menentukan pusat cluster, yang akan
menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini
masih belum akurat. Tiap-tiap titik data memiliki derajat keanggotaan untuk tiap-tiap
cluster. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan tiap-tiap titik
data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak
menuju lokasi yang tepat. Perulangan ini didasrkan pada minimisasi fungsi obyektif
yang menggambarkan jarak dari titik data yang diberikan ke pusat cluster yang terbobot
oleh derajat keanggotaan titik data tersebut.
Output dari FCM bukan merupakan fuzzy inference system, namun merupakan
deretan pusat cluster dan beberapa derajat keanggotaan untuk tiap-tiap titik data.
Informasi ini dapat digunakan untuk membangun suatu fuzzy inference system.
ALGORITMA FCM
1.
k=1,2,...,c;
sebagai
Qi ik
k 1
dengan j=1,2,...,n.
Hitung ik ternormalisasi:
ik
Qi
ik
4.
(
n
Vkj
i 1
ik
) w * X ij
(
i 1
5.
ik
)w
i 1 k 1
6.
X
m
j 1
ij
2
w
Vkj ik
ik
X
m
j 1
k 1
j 1
1
w 1
Vkj
ij
1
w 1
ij
Vkj
Contoh :
1. Input data yang akan dicluster berupa matriks
Tabel 1
Ke/ Data
1
2
3
4
A
3
7
10
14
2. Tentukan :
Jumlah cluster
Pangkat (w)
=2
= 2, w>1
B
5
6
11
15
C
6
9
12
16
Atribut Input
Maksimum iterasi
=5
Error terkecil yang diharapkan = 0.0001
Fungsi obyektif awal (P0)
= 0;
Iterasi awal (t)
=1
Data/Kuster
i1
i2
i3
i4
k1
0.4
0.2
0.1
0.3
k2
0.7
0.5
0.8
0.4
Qi ik
k 1
Tabel 3
Data/Kluster
i1
i2
i3
i4
k1
0.4
0.2
0.1
0.3
k2 Qj=k1+k2
0.7
1.1
0.5
0.7
0.8
0.9
0.4
0.7
Hitung ik ternormalisasi
ik ik
Qi
Data/Kluster
i1
i2
i3
i4
k1
k2
0.4
0.2
0.1
0.3
0.7
0.5
0.8
0.4
Qj=k1+k2 k1 ternormalisasi
k2 ternormalisasi
0.4/1.1=0.36
0.7/1.1=0.64
1.1
0.2/0.7=0.29
0.5/1.1=0.71
0.7
0.1/0.9=0.11
0.8/1.1=0.89
0.9
0.3/0.7=0.43
0.4/1.1=0.57
0.7
Data/Kluster
i1
i2
i3
i4
k1
k2
0.36
0.29
0.11
0.43
0.64
0.71
0.89
0.57
(
n
Vkj
i 1
ik
) w * X ij
(ik ) w
i 1
Data/Kluster k1
k2
0.1296 0.4096
i1
0.0841 0.5041
i2
0.0121 0.7921
i3
0.1849 0.3249
i4
Hitung Vkj dengan k = jml cluster = 1,2 dan j = elemen atribut input = A,
B, C dengan data ke i dari 1 sd 4
Untuk cluster k = 1
Untuk elemen atribut input A dengan j = 1,2,3,4
( ) w * A1 ( 21 ) w * A2 ( 31 ) w * A3 ( 41 ) w * A4
V1 A V11 11
( 11 ) w ( 21 ) w ( 31 ) w ( 41 ) w
Untuk cluster k = 2
Untuk elemen atribut input A dengan j = 1,2,3,4
( ) w * A1 ( 22 ) w * A2 ( 32 ) w * A3 ( 42 ) w * A4
V2 A V21 12
( 12 ) w ( 22 ) w ( 32 ) w ( 42 ) w
Untuk elemen atribut input B dengan j = 1,2,3,4
( 12 ) w * B1 ( 22 ) w * B2 ( 32 ) w * B3 ( 42 ) w * B4
V2 A V21
( 12 ) w ( 22 ) w ( 32 ) w ( 42 ) w
Untuk elemen atribut input C dengan j = 1,2,3,4
( 12 ) w * C1 ( 22 ) w * C2 ( 32 ) w * C3 ( 42 ) w * C4
V2 A V21
( 12 ) w ( 22 ) w ( 32 ) w ( 42 ) w
3.66
17.26
4.21
19.7
4.62
21.73
Untuk mencari pusat clusternya, maka dicari nilai yg max dari setiap kolom,
V=
3.66
17.26
4.21
19.7
4.62
21.73
Pusat cluster 1
Pusat cluster 2