Fuzzy C Means Clustering

Elisa Usada

ump.ac.id
ump.ac.id tekniksains.ump ac_ump teknik@ump.ac.id fts.ump.ac.id
 Fuzzy C Means Clustering

Clustering :
Pengelompokan data, dapat dilakukan dengan berbagai metode
komputasi (algoritma), salah satunya metode yang berdasarkan teori
himpunan Fuzzy.

Salah satu metode clustering berdasarkan teori himpunan Fuzzy

adalah Fuzzy C Means Clustering atau lebih dikenal sebagai FCM.

ump.ac.id
ump.ac.id tekniksains.ump ac_ump teknik@ump.ac.id fts.ump.ac.id
 Fuzzy C Means Clustering

Fuzzy C-Means Clustering (FCM)

Pertama kali diperkenalkan oleh Jim Bezdek (1981)
Keberadaan tiap titik data dalam suatu cluster ditentukan oleh
derajat keanggotaan dari data tersebut.

Konsep dasar FCM

Pertama-tama menentukan pusat cluster,
Pusat cluster akan menandai perkiraan lokasi untuk tiap cluster.
Pada tahap iterasi awal, pusat cluster ini masih belum akurat.
Iterasi-iterasi berikutnya dilakukan untuk memperbaiki pusat cluster
agar lebih akurat dan memperbaiki derajat keanggotaan tiap titik
data.

ump.ac.id
ump.ac.id tekniksains.ump ac_ump teknik@ump.ac.id fts.ump.ac.id
 Fuzzy C Means Clustering

Contoh Clustering dengan MATLAB

Bulatan berwarna hijau, biru dan

merah merupakan contoh titik data.

Perhatikan titik-titik data membentuk

kelompok (cluster) dengan pusat
cluster masing-masing.

Clustering biasanya dilakukan dengan

bantuan komputasi, gambar disamping
adalah contoh proses clustering
menggunakan MATLAB

ump.ac.id
ump.ac.id tekniksains.ump ac_ump teknik@ump.ac.id fts.ump.ac.id
 Fuzzy C Means Clustering

Contoh Clustering dengan MATLAB

Clustering dengan Matlab dapat dilakukan menggunakan perintah/sintax Bahasa

pemrograman atau dapat dilakukan melalui Clustering Toolbox.

Clustering Toolbox dapat diaktifkan dengan mengetikkan perintah findcluster pada

Command Window.

ump.ac.id
ump.ac.id tekniksains.ump ac_ump teknik@ump.ac.id fts.ump.ac.id
 Fuzzy C Means Clustering

Algoritma FCM
1. Input data yang akan dicluster X, berupa matriks berukuran n x m
n = jumlah sampel data; m = atribut setiap data, xij = data sampel ke-
i (i = 1,2,…, n), atribut ke-j (j=1,2,…,m).
2. Tentukan:
Jumlah cluster = c;
Pangkat = w;
Maksimum iterasi = MaxIter;
Error terkecil yg diharapkan = e
Fungsi Objektif awal = P0 = 0
Iterasi awal = t = 1

ump.ac.id
ump.ac.id tekniksains.ump ac_ump teknik@ump.ac.id fts.ump.ac.id
 Fuzzy C Means Clustering

Algoritma FCM
3. Bangkitkan bilangan random μik , i= 1, 2,…, n; k = 1,2,…, c
Sebagai elemen matriks partisi awal U.
Hitung jumlah setiap kolom (atribut):

dan Hitung

4. Hitung pusat data cluster ke-k vkj, dengan k=1,2,…,c dan j=1,2,…,m

ump.ac.id
ump.ac.id tekniksains.ump ac_ump teknik@ump.ac.id fts.ump.ac.id
 Fuzzy C Means Clustering

Algoritma FCM
5. Hitung fungsi obyektif pada iterasi ke-t, Pt:

6. Hitung perubahan matriks partisi:

7. Cek kondisi berhenti:

Jika |Pt – Pt-1| < e atau t > MaxIter maka berhenti
Jika tidak maka t= t+1, ulangi step 4

ump.ac.id
ump.ac.id tekniksains.ump ac_ump teknik@ump.ac.id fts.ump.ac.id
• Pelajari algoritma FCM di atas kemudian jawablah pertanyaan berikut,
dengan belajar mandiri yaitu mencari referensi dari berbagai sumber
(buku, e-book, internet)!
1. Apa yang dimaksud dengan pangkat w dan fungsi obyektif pada
step 2?
2. Apa yang dimaksud dengan matriks partisi U?

ump.ac.id
ump.ac.id tekniksains.ump ac_ump teknik@ump.ac.id fts.ump.ac.id