Secara umum, prosedur pengklasteran yang banyak dikenal dalam desain formasi sel

manifaktur adalah Single Clustering (SLC), Complete Linkage Clustering (CLC), dan Average
Linkage Clustering (ALC). Lebih lanjut, ukuran similaritas merupakan jarak antara dua titik
pengamatan. Ada tiga tipe ukuran similaritas, yaitu:
1. Ukuran Jarak
2. Koefisien Asosiasi
3. Koefisien Kolerasi
Prosedur SLC, jarak antara dua closter dipresentasikan oleh jarak minimum antara
keseluruhan pasangan yang mungkin dari subjek-subjek. Untuk ALC, jarak antara dua cluster
diperoleh melalui rata- rata jarak antara semua pasangan objek.
Ketiga metode pengklasteran merupakan kategori pengklasteran hierarki yang dapat
diselesaikan dengan algoritma pengklasteran hierarki algoritma untuk pengelompokan N obyek
(item atau variable). Langkah-langkah umumnya sebagai berikut :
1. Mulai dengan N cluster, masing-masing cluster berisikan entitas tunggal dan sebuah matriks
simetris jarak ukuran N x N dengan D = (dij)
2. Carilah Matriks jarak ukuran pasangan clutser yang paling mirip
3. Gabungkan clutser U dan V lalu beralilah label clutser yang baru dengan (U V)
4. Ulangi langkah 2 dan 3 sebanyak N-1, sehingga seluruh obyek menjadi sebuah clutser.

9.2.2 Single Lingkage Clustering (SLC)

Masukan untuk teknik SLC dapat berupa jarak (distance) atau kemiringan (similaritas)
antara pasangan obyek.
Secara teknis, penerapan algoritma SLC untuk pengelompokkan mesin dan komponen
dengan menggunakan koefisien jaccards sebagai berikut :
Langkah 1. Hitunglah koefisien kemiripan jaccards, smn, untuk semua pasangan mesin.
Langkah 2. Temukan nilai maksimum pada maktriks persamaan kemiripan.
Langkah 3. Apabila matriks persamaan kemiripan terdiri atas satu kelompok mesin, maka iterasi
berhenti, tetapi apabila belum, lanjutkan iterasi.

9.2.3 Complete Linkage Clustering (CLC)

CLC dapat dikatakan mempunyai pengertian yang sama dengan SLC. Namun dengan
sebuah pengecualian penting, yaitu setiap tahap jarak atau ketidakmiripan antara dua elemen
yang paling jauh (most distance). CLC menjamin bahwa semua item dalam sebuah cluster berada
dalam jarak yang maksimum atau minimum kemiripan satu sama lain.
Contoh : Ada sebuah matriks mesin dan komponen sesuai dengan contoh 1 yang diselesaikan
dengan SLC, sehingga dapat dilihat apakah ada perbedaan hasil pengelompokkan.
Penyelesaian
Langkah 1 : Hitung nilai koefisien kemiripan menggunakan koefisien jaccards. Hasil nilai
koefisien tidak berbeda dengan hasil perhitungan contoh
Langkah 2 : Bentuklah matriks persamaan kemiripan dan iterasi pembentukan kelompok-
kelompok mesin
Langkah 3 : Kita dapat melihat bahwa iterasi -4 merupaka iterasi terakhir dengan kelompok
mesin tunggal, yaitu (M1,M3,M5,M4,M2). Iterasi-iterasi diatas dapat digambarkan
dalam bentuk dendogram.

9.2.4 Average Linkage Clostering

ALC memperlakukan jarak antara dua closter sebagai jarak rata-rata antara semua
pasangan item dimana satu anggota dari sebuah pasangan terhadap setiap closter
Masukan ALC bias jarak atau kemiripan dan metode dapat digunakan untuk
mengelompokan objek atau variable.
Contoh :
Menggunakan contoh sebelumnya, maka akan dilakukan pengelompokan mesin dan komponen
menggunakan ALC.
Penyeselesaian :
Langkah 1. Hitung nilai koefisien kemiripan menggunakan koefisien Jaccards. Hasil nilai
koefisien tidak berbeda dengan hasil perhitungan contoh sebelumnya.
Langkah 2. Benuklah matriks persamaan kemiripan dan pembentukan kelompok-kelompok dari
mesin
Langakh 3. Kita melihat bahwa iterasi-4 merupakan iterasi terakhir dengan kelompok tunggal,
yaitu (M1,M3.M5,M4,M2). Iterasi-iterasi diatas dapat digambarkan dalam bentuk dendogram

9.3 Rank Order Clustering (ROC)

 Algroritma ROC merupakan teknik pengelompokan yang dikenal cukup
sederhana,efisien, dan efektif. Prinsip kerja tekhnik adalah mengkonversi bilangan biner menjadi
bobot ekuivalen dengan cara menyortir baris dan kolom. Algoritma lengkap ROC sebagai berikut
:
Langkah 1. Untuk baris M=1,2, M: Hitung bobot ekuivaklen cm melalui matriks
bilangan biner mesib dan komponen
Langkah 2. Utnuk kolom P:1,2..., p: Hitung bobot ekuivalen cm melalui matriks
bialangan biner mesin dan komponen
Langakh 3. Apabila matriks mesin komponen hasil proses iterasi tidak mengalami
perubahan lagi, maka proses iterasi berhenti.

9.4 Direct Clustering Algorithm (DCA)

DCA merupakan teknik pengelompokan yang bekerja mirip ROC. Teknik
pengelompokan demikian secara simultan menghasilkan kelompok mesin dan komponen serta
menggunakan masukan berupa bilangan biner. Langkah-langkah dalam DCA secara terperinci
sebagai berikut :
Langkah 1. Jumlahkan elemen setiap baris dan kolom
Langkah 2. Tarik elemen-elemen yang bernilai biner 1 keatas agar elemen biner 1
sebanyak mungkin berkumpul
Langkah 3. Apabila hasil pengelompokan tidak berbeda, maka iterasi berhenti