Pendahuluan
Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal dalam
suatu ruang vektor yang didasarkan pada bentuk normal Euclidian untuk jarak antar vektor.
Ada beberapa algoritma clustering data, salah satu diantaranya adalah Fuzzy C-Means
(FCM). Fuzzy C-Means (FCM) adalah suatu teknik pengclusteran data yang mana
keberadaan tiap – tiap titik data dalam suatu cluster yang 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.
Fuzzy C-Means Clustering (FCM), atau dikenal juga sebagai fuzzy Isodata
merupakan salah satu metode clustering yang merupakan bagian dari metode Hard K-Means.
FCM menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari
semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda
antara 0 hingga 1. Tingkat keberadaan data dalam suatu kelas atau cluster ditentukan oleh
derajat keanggotaannya.
Algoritma yang digunakan pada metode Fuzzy C-means adalah sebagai berikut:
1) Input data yang akan di-cluster, �, berupa matriks berukuran 𝑛 × 𝑚 (𝑛= jumlah sampel
data, 𝑚= atribut setiap data). �𝑖𝑗 data sampel ke-𝑖 (𝑖=1,2,⋯,𝑛), atribut ke-𝑗 (𝑗=1,2,⋯,𝑚).
2) Tentukan:
- Jumlah cluster =𝑐
- Pangkat =𝑤
- Maksimum iterasi = Maxlter
- Error terkecil yang diharapkan = 𝜉
- Fungsi objektif awal =�0=0
- Iterasi awal =𝑡=1
3) Bangkitkan bilangan random �𝑖�, 𝑖=1,2,⋯,𝑛; �=1,2,⋯,𝑐; sebagai elemen-elemen matriks
partisi awal �.
2. Pembahasan
Berikut perhitungan FCM pada contoh kasus nilai mata ujian, dengan data yang
digunakan sebagai sampel perhitungan, yaitu :
Tabel 2. 1 Data Nilai Ujian
Berdasarkan data dari tabel 2.1 ditentukan beberapa komponen perhitungan yang
ditunjukkan dalam tabel 2.2 sebagai berikut.
Tabel 2.3 merupakan tahap selanjutnya yaitu melakukan perhitungan manual fuzzy c-
means. Bangkitkan matriks Uik dengan komponen i = banyaknya data; k = banyak cluster.
Ditentukan secara acak dengan syarat jumlah nilai elemen matriks dari kolom dalam setiap
baris harus 1.
Pada tabel 2.4 – 2.6 ditunjukkan bagaimana cara mendapatkan pusat cluster dengan
menggunakan algoritma ke-d. Dimana angka acak dipangkatkan dua, kemudian hasil dari
angka acak yang telah diberi pembobot dua di kalikan dengan data yang di-cluster.
Masing – masing kolom kemudian di jumlahkan untuk menentukan pusat cluster yang
baru. Pusat cluster yang baru ditunjukkan pada tabel 2.7 berikut.
Tabel diatas merupakan data yang nantinya akan menentukan hasil cluster. Jika
perhitungan pada algoritma terakhir atau menghitung kondisi berhenti dengan membagi
antara LT dan jumlah total masing – masing cluster sudah didapat maka akan dilakukan
pembulatan dua angka dibelakang decimal. Berikut hasil clustering ditunjukkan pada tabel
2.12.
di bulatkan
Maka diperoleh matriks U dengan derajat keanggotaan baru setelah dibulatkan pada
tabel 2. 12 Hasil akhir perhitungan fuzzy c-means.
Pada langkah terakhir akan diperiksa kondisi berhenti dimana nilai dari |�𝑡 – �𝑡−1| <
𝜉 error terkecil yang diharapkan. Karena |�1 – �0| > 𝜉 yaitu 2694.462 dimana nilainya
lebih besar dari maka lanjut ke iterasi 2 dan seterusnya sampai pada iterasi terakhir
dimana kondisi telah berhenti dengan menggunakan matriks � baru yang sudah diperoleh
pada langkah sebelumnya.
3. Kesimpulan
Pada kasus ini perhitungan terhenti pada ITERASI KE-20. Karena hasil sudah menunjukkan
nilainya stabil dengan error terkecil yang diharapkan. |�20 – �19 < 𝜉 yaitu 0.000874275. Dan
didapat nilai partisi nya:
Derajat keanggotaan () data pada Cluster ke- Data Cenderung Masuk ke
Data Ke Cluster dengan Derajat
keangotaan
1 2 3
1 0.057281911 0.886721718 0.05599637 0.886721718
2 0.325207198 0.581429409 0.093363393 0.581429409
3 0.051635496 0.104035567 0.844328937 0.844328937
4 0.191810043 0.666366752 0.141823205 0.666366752
5 0.115620204 0.354826201 0.529553595 0.529553595
6 0.899445215 0.057922035 0.042632751 0.899445215
7 0.045214177 0.917558839 0.037226984 0.917558839
8 0.048110768 0.067788588 0.884100644 0.884100644
9 0.243229392 0.441050662 0.315719946 0.441050662
10 0.113810787 0.536523147 0.349666066 0.536523147
11 0.020191873 0.033597427 0.9462107 0.9462107
12 0.292011015 0.21018018 0.497808806 0.497808806
13 0.896033632 0.069481182 0.034485186 0.896033632
14 0.135706354 0.256919446 0.6073742 0.6073742
15 0.119406023 0.746193232 0.134400746 0.746193232