MAKALAH LOGIKA FUZZY

An Improved fuzzy clustering method using modified

fukuyama-sugeno cluster validy index
DOSEN PENGAMPU : YULITA MOLIQ RANGKUTI

DISUSUN OLEH :

Marnaek Lumbantobing (4181250002)

Riduwan (4181250004)
Daud Jefrico Sirait (4183250023)
Sakhdi Ahmad Nasution (8181250013)

ILMU KOMPUTER B 2018

FAKULTAS MAATEMATIKA DAN ILMU PENGETAHUAN

ALAM
JURUSAN MATEMATIKA-ILMU KOMPUTER
UNIVERSITAS NEGERI MEDAN
2021
 DAFTAR ISI
BAB I 1
PENDAHULUAN 1
A. LATAR BELAKANG MASALAH 1
B. RUMUSAN MASALAH 2
C. TUJUAN 2
D. LUARAN YANG DIHARAPKAN 2
E. MANFAAT YANG DIHARAPKAN 2
BAB II 1
PEMBAHASAN 1
BAB III 2
PENUTUP 2
DAFTAR PUSTAKA 3
 BAB I
PENDAHULUAN

A.LATAR BELAKANG MASALAH

Metode Clustering merupakan proses pengelompokan data kemungkinan adanya cluster-cluster
dari data pengecekan pesawat.

Dalam Tugas akhir ini, penulis akan mengimplementasikan metode FCM dalam sebuah aplikasi
untuk membantu flight inspector dalam memperkirakan kelayakan pesawat terbang.
dalam kelaskelas atau klaster-klaster, sehingga data dalam suatu cluster memiliki tingkat
persamaan yang tinggi satu dengan lainnya, tetapi sangat berbeda dengan data dalam cluster lain.
Dalam tulisan ini dilakukan percobaan penggunaan metode Fuzzy C-Means

B. RUMUSAN MASALAH
Dengan masalah yang telah difokuskan, maka rumusan masalah yang ada yaitu :

1. Siapa yang menemukan metode ini ?

2. Bagaimana metode ini diciptakan (dasar teori) ?
3. Metode ini sudah digunakan oleh siapa, digunakan untuk kasus apa dan hasilnya
apa ?
4. Bagaimana meode ini dijalankan ?
5. Batasan apa saja yang dimiliki oleh metode ini ?
6. Bagaimana phyton dapat digunakan untuk metode ini ?

C.TUJUAN
Berdasarkan latar belakang diatas, maka penelitian ini memiliki tujuan antara lain:
1. Mengimplementasikan algoritma Fuzzy Clustering Means ke dalam studi kasus
pengelompokan data kelayakan pesawat terbang.
2. Membangun sistem berbasis Fuzzy C-Means dengan tingkat akurasi klastering yang
optimal.
3. Membangun sistem berbasis Fuzzy C-Means yang dapat mengklasifikasikan data ke
dalam kelas ‟layak‟ dan ‟tidak layak‟ dengan tingkat akurasi yang baik.

D.LUARAN YANG DIHARAPKAN

 Luaran yang diharapkan dari penelitian ini adalah terciptanya suatu software
dengan kecanggihan teknologi AR yang dapat membantu mendekorasi ruangan

E. MANFAAT YANG DIHARAPKAN

a. Bagi masyarakat
Membantu masyarakat mendekorasi ruangan dengan kecanggihan teknologi.
 BAB II
PEMBAHASAN

1. Siapa yang menemukan metode ini:

Pemecahan pengelompokan pendekatan ini pertama kali digunakan oleh Xie dan Beni
menunjukkan bahwa ketika mereka meminimalkan tujuan mereka
2. Bagaimana metode ini diciptakan ?
Tujuan pengelompokan algoritma adalah untuk kelompok. Pola yang sama dalam satu
kelas dan pola yang berbeda dalam pembuang kelas. Artikel ini mengusulkan sebuah
novel algoritma untuk fuzzy. Pengelompokkan kolektif dengan tujuan untuk
meminimalkan suatu tujuan majemuk fungsi, didefenisikan menggunakan validitas
kelompok fukuyama-sugeno indeks. Optimalkan fungsi tujuan ini mencoba
meminimalkan pemisahan antara kumpulan data yang ditetapkan dan memaksimalkan
kepadatan dari sebuah cluster tertentu. Tapi dalam kasus tertentu, seperti satu set data
yang memiliki pengelompokan yang tumpang tindih, pendekatan ini mengarah keburuk
pengelompokan hasil. Dengan demikian kami memperkenalkan parameter baru fungsi
obyektif yang memungkinkan kita untuk menghasilkan lebih akurat. Pengelompokan
hasil algoritma telah divalidasi dengan beberapa data buatan dan dunia nyata
3. Metode ini sudah digunakan oleh siapa, digunakan untuk kasus apa dan hasilnya apa ?
Penggunaan indeks validitas cluster pada dasarnya adalah fungsi tujuan yang dapat
digunakan untuk mendapatkan indeks clusterin, dan mendapatkan solusi clutering. Fungsi
tujuan mereka, diatas pusat clusteringdan nilai keaggotaan, kami mendapatkan fungsi dari
algoritma fuzzy K-mens
4. Bagaimana metode ini dijalankan ?
Algoritma yang sering digunakan untuk fuzzy clustering adalah algoritma
pengelompokan fuzzy C-mens (FCM). Metode mengklasifikasikan satu set n titik
dimensi p ke dalam cluster c-fuzzy melalui penggunaan nilai keannggotaan. Keanggotan
nilai suatu titik dalam cluster tertentu berkisar antara 0 hingga 1 dan penjumlahan
kenaggotaan nya pada c-cluster adalah unity
5. Batasan apa saja yang dimiliki oleh metode ini ?
Telahh disebutkan dala bagian II bahwa fungsi yang digunakan untuk menemukan pusat
cluster dan keanggotaan. Nilai algoritma FCM dapat diperoleh dari indekx XieBeni
untuk m=2. Namun, FCM dan variannya tidak menyediakan metode apapun untuk
meningkatkan hasil pengelompokan untuk data set yang tumpang tindih untuk niai m`
Dalam makalah ini, peneliti megusulkan fungsi objektif bersama degan parameter baru y
untuk pengelompokan fuzzy buatan dan kumpulan data dunia nyata. Fungsi objektif ini
diperoleh dari indeks validitas fukuyama-sugeono dan menghasilkan lebih baik hasil dari
fuzzy c-mens algoritma dengan berbagai nilai dari parameternya baru y untuk nilai yang
pasti dari m. hai ini diilustrasikan dengan baik ketika kita melihat bahwa presentasi
kesalahan algoritma FCM dalam kasus data kanker payudara adalah 12,60% sedangkan,
algoritma yang diusulkan memberikan presentasi kesalahan 2,28%.
Tetapi menurut analisis pal dan bezdesk(10), indeks fukuyama sugeono sensitive terhdap
tinggi dan nilai rendah penimbangan n dan kadang kadang tidak dapat diandalkan karena
ini. Juga semua metode clustering fuzzy yang disebut dalam makalah ini menggunkan
jarak eucliden dengan alalt komputasi untuk pengukuran jarak antara 2 poin. Itu
membatasi pengelompokan ke bentuk yang pasti si factor fuzzyfications m dan
parameter baru y juga mempengharui bentuk cluster
 BAB III
PENUTUP
Partitioning Methdos Metode yang membangun berbagai partisi dan kemudian mengevaluasi
partisi tersebut dengan beberapa kriteria.Algoritma yang dipakai pada metode ini adalah K-
Means, K- Medoid , PROCLUS, CLARA, CLARANS dan PAM. Hierarchical Methods Metode
yang membuat suatu penguraian secara hierarchical dari himpunan data dengan menggunakan
beberapa kriteria. Metode ini terdiri atas dua jenis, yaitu Agglomerative yang menggunakan
strategi bottom-up dan Disisive yang menggunakan strategi top-down. Metode ini meliputi
algoritma BIRCH, AGNES, DIANA, CURE dan CHAMELEON. Density-Based Methods
Metode ini berdasarkan konektivitas dan fungsi densitas.Metode ini meliputi algoritma
DBSCAN, OPTICS dan DENCLU. Grid-Based Methods Metode ini berdasarkan suatu struktur
granularitas multi-level.Metode clustering ini meliputi algoritma STING, WaveCluster dan
CLIQUE. Model-Based Methods Suatu model dihipotesakan untuk masing-masing cluster dan
ide untuk mencari best fit dari model tersebut untuk masing-masing yang lain. Metode clustering
ini meliputi pendekatan statistik, yaitu algoritma COBWEB dan jaringan syaraf tiruan SOM.

 Konsep dari Fuzzy C-Means 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 pusatcluster akan bergerak menuju lokasi yang tepat. Perulangan ini
didasarkan pada minimisasi fungsi objektif yang menggambarkan jarak dari titik data yang
diberikan kepusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut. Output dari
Fuzzy C-Means merupakan deretan pusat cluster dan beberapa derajat keanggotaan untuk tiap-
tiap titik data.