Nama Anggota:

1. Gurfan Ghozian Rizky (021190094)

2. Imbran Darwis (021190012)
3. Indah Mayang Sari (021190108)

Diskusikan tentang Klasterisasi Data Mining menggunakan Metode :

1. Metode K-Means
K-means merupakan algoritma clustering. K-means Clustering adalah salah satu
unsupervised machine learning algorithms yang paling sederhana dan populer. K-Means
Clustering adalah suatu metode penganalisaan data atau metode Data Mining yang
melakukan proses pemodelan tanpa supervisi (unsupervised) dan merupakan salah satu
metode yang melakukan pengelompokan data dengan sistem partisi.
K-means clustering merupakan salah satu metode cluster analysis non hirarki yang
berusaha untuk mempartisi objek yang ada kedalam satu atau lebih cluster atau
kelompok objek berdasarkan karakteristiknya, sehingga objek yang mempunyai
karakteristik yang sama dikelompokan dalam satu cluster yang sama dan objek yang
mempunyai karakteristik yang berbeda dikelompokan kedalam cluster yang lain. Dengan
kata lain, metode K-Means Clustering bertujuan untuk meminimalisasikan objective
function yang diset dalam proses clustering dengan cara meminimalkan variasi antar data
yang ada di dalam suatu cluster dan memaksimalkan variasi dengan data yang ada di
cluster lainnya juga bertujuan untuk menemukan grup dalam data, dengan jumlah grup
yang diwakili oleh variabel K. Variabel K sendiri adalah jumlah cluster yang diinginkan.
Algoritma ini menerima masukan berupa data tanpa label kelas.

Ada beberapa kelebihan pada algoritma k-means, yaitu:

1. Algoritma yang sederhana dan mudah dipahami
2. Cepat pemrosesannya
3. Tersedia di berbagai tools atau software
4. Mudah dalam penerapannya
5. Selalu memberikan hasil, apapun datanya.
Kekurangan dari algoritma K-Means yaitu :
1. Hasilnya sensitif terhadap jumlah cluster (K).
2. Sensitif terhadap inisialisasi “seed”.
3. Sensitif terhadap pencilan atau outlier.
4. Sensitif terhadap data dengan variabel yang memiliki skala berbeda. Maka, sebaiknya
kita selalu melakukan scale atau standardisasi data sebelum melakukan k-means
clustering.
5. Mengasumsikan setiap klaster berbentuk menyerupai lingkaran (spherical) dan
kesulitan jika bentuk cluster yang memiliki bentuk berbeda.

Algoritma K-means clustering dilakukang dengan proses sebagai berikut:

1. Tentukan jumlah cluster (k).
2. Pilih titik acak sebanyak k. Titik ini merupakan titik seed dan akan menjadi titik
centroid proses pertama.
3. Label semua data berdasarkan titik centroid terdekat. semua data diberikan label
mengikuti titik centroid dari setiap klaster. Perhitungan jarak ini bisa menggunakan
algoritma jarak tertentu, secara default dilakukan dengan euclidean distance.
4. Tentukan titik centroid baru berdasarkan cluster yang terbentuk. Titik centroid
selanjutnya “berpindah” ke lokasi centroid setiap cluster yang telah terbentuk.
5. Label ulang data berdasarkan jarak terdekat terhadap centroid baru. Langkah ini
merupakan langkah yang sama dengan langkah ketiga.
6. Ulangi langkah 4 dan langkah 5 sampai tidak ada pergerakan lagi. secara berulang,
algoritma akan mencari lokasi centroid baru dan melabel data berdasarkan centroid
tersebut sampai mendapat hasil final, yaitu tidak ada lagi perpindahan centroid di
setiap cluster.
Contoh Kasus :
Tabel di bawah merupakan tabel dataset dari 15 mahasiswa yang memprogramkan
mata kuliah Data mining. Dari 15 mahasiswa tersebut akan dikelompokkan menjadi 3
bagian yaitu kelompok pintar, sedang dan kurang.
No. Nama Mahasiswa UTS Tugas UAS
1. Roy 89 90 75
2. Sintia 90 71 95
3. Iqbal 70 75 80
4. Dilan 45 65 59
5. Ratna 65 75 53
6. Merry 80 70 75
7. Rudi 90 85 81
8. Hafiz 70 70 73
9. Ulvi 96 93 85
10. Christian 60 55 48
11. Justin 45 60 58
12. Jesika 60 70 72
13. Ayu 85 90 88
14 Siska 52 68 55
15. Reitama 40 60 70

1. Tentukan jumlah cluster (K).

Adapun cluster yang akan dibentuk antara lain :
a. Cluster 1 (K1) = Pintar
b. Cluster 2 (K2) = Sedang
c. Cluster 3 (K3) = Kurang

2. Pilih titik acak sebanyak K.

Cluster UTS Tugas UAS
K1 96 93 85
K2 70 75 80
K3 60 55 48
3. Label semua data berdasarkan titik centroid terdekat.

Keterangan :
m= Jumlah dimensi (attribute)
x i dan y i=¿ Attribute ke – k dari objek x dan y
1) Data 1 (Roy)
 d(1,1) = √(89−96)2 +(90−93)2 +( 75−85)2 = 12,5698

 d(1,2) = √(89−70)2+(90−75)2+(75−80)2 = 24,7184

 d(1,3) = √(89−60)2+(90−55)2+(75−48)2 = 52,8678

2) Data 2 (Sintia)
 d(2,1) = √ (90−96)2 +(71−93)2 +(95−85)2 = 24,8998

 d(2,2) = √( 90−70)2+(71−75)2 +( 95−80)2 = 25,3180

 d(2,3) = √( 90−60)2 +(71−55)2 +(95−48)2 = 58,0086

3) Data 3 (Iqbal
 d(3,1) = √ (70−96)2 +(75−93)2+(80−85)2 = 32,0156

 d(3,2) = √ (70−70)2+(75−75)2 +(80−80)2 = 0

 d(3,3) = √(70−60)2+(75−55)2 +(80−48)2 = 39,0384

4) Data 4 (Dilan)
 d(4,1) = √ (45−96)2+(65−93)2 +(59−85)2 = 63,7260

 d(4,2) = √( 45−70)2 +(65−75)2+(59−80)2 = 34,1467

 d(4,3) = √ (45−60)2 +(65−55)2 +(59−48)2 = 21,1187

5) Data 5 (Ratna)
 d(5,1) = √(65−96)2 +(75−93)2 +(53−85)2 = 48,0521

 d(5,2) = √(65−70)2+(75−75)2 +(53−80)2 = 27,4591

 d(5,3) = √(65−60)2+(75−55)2 +(53−48)2 = 21,2132

6) Data 6 (Merry
 d(6,1) = √ (80−96)2 +(70−93)2 +(75−85)2 = 29,7489

 d(6,2) = √ (80−70)2+(70−75)2 +(75−80)2 = 12,2474

 d(6,3) = √ (80−60)2+(70−55)2+(75−48)2 = 36,7967

7) Data 7 (Rudi)
 d(7,1) = √( 90−96)2 +( 85−93)2 +(81−85)2 = 10,7703

 d(7,2) = √( 90−70)2+(85−75)2+(81−80)2 = 22,3830

 d(7,3) = √( 90−60)2 +(85−55)2+(81−48)2 = 53,7494

8) Data 8 (Hafiz)
 d(8,1) = √(70−96)2 +(70−93)2+(73−85)2 = 36,7287

 d(8,2) = √(70−70)2+(70−75)2 +(73−80)2 = 8,6023

 d(8,3) = √(70−60)2+(70−55)2 +(73−48)2 = 30,8221

9) Data 9 (Ulvi)
 d(9,1) = √( 96−96)2 +(93−93)2+(85−85)2 = 0

 d(9,2) = √ (96−70)2 +(93−75)2+(85−80)2 = 32,0156

 d(9,3) = √( 96−60)2 +( 93−55)2 +(85−48)2 = 64,1015

10) Data 10 (Christian)

 d(10,1) = √ (60−96)2 +(55−93)2 +(48−85)2 = 64,1015

 d(10,2) = √(60−70)2+(55−75)2 +(48−80)2 = 39,0384

 d(10,3) = √ (60−60)2+(55−55)2 +(48−48)2 = 0

11) Data 11 (Justin)

 d(11,1) = √ (45−96)2+(60−93)2 +(58−85)2 = 66,4756

 d(11,2) = √( 45−70)2 +(60−75)2+(58−80)2 = 36,5240

 d(11,3) = √ (45−60)2 +( 60−55)2 +(58−48)2 = 18,7083

12) Data 12 (Jesika)
 d(12,1) = √ (60−96)2 +(70−93)2 +(72−85)2 = 44,6542

 d(12,2) = √ (60−70)2+(70−75)2 +(72−80)2 = 13,7477

 d(12,3) = √ (60−60)2+(70−55)2 +(72−48)2 = 28,3019

13) Data 13 (Ayu)

 d(13,1) = √ (85−96)2 +( 90−93)2 +(88−85)2 = 11,7898

 d(13,2) = √ (85−70)2+(90−75)2+(88−80)2 = 22,6716

 d(13,3) = √ (85−60)2+(90−55)2+(88−48)2 = 58,7367

14) Data 14 (Siska)

 d(14,1) = √ (52−96)2+(68−93)2+(55−85)2 = 58,8303

 d(14,2) = √ (52−70)2 +(68−75)2 +(55−80)2 = 31,5911

 d(14,3) = √ (52−60)2 +(68−55)2 +(55−48)2 = 16,7929

15) Data 15 (Reitama)

 d(15,1) = √ (40−96)2+(60−93)2 +(70−85)2 = 66,7083

 d(15,2) = √( 40−70)2 +(60−75)2+(70−80)2 = 35,0000

 d(15,3) = √ (40−60)2 +( 60−55)2 +(70−48)2 = 30,1496

 Setelah melakukan perhitungan maka didapat hasil seperti berikut ini :
No Jarak Ke Cluster
Nama Mahasiswa Hasil
. K1 K2 K3
1. Roy 12,5698 24,7184 52,8678 1
2. Sintia 24,8998 25,3180 58,0086 1
3. Iqbal 32,0156 0,0000 39,0384 2
4. Dilan 63,7260 34,1467 21,1187 3
5. Ratna 48,0521 27,4591 21,2132 3
6. Merry 29,7489 12,2474 36,7967 2
7. Rudi 10,7703 22,3830 53,7494 1
8. Hafiz 36,7287 8,6023 30,8221 2
9. Ulvi 0,0000 32,0156 64,1015 1
10. Christian 64,1015 39,0384 0,0000 3
11. Justin 66,4756 36,5240 18,7083 3
12. Jesika 44,6542 13,7477 28,3019 2
13. Ayu 11,7898 22,6716 58,7367 1
14 Siska 58,8303 31,5911 16,7929 3
15. Reitama 66,7083 35,0000 30,1496 3

4. Tentukan titik centroid baru berdasarkan cluster yang terbentuk.

Cluster baru tersebut didapat dari rumus = nilai hasil /banyak hasil
a) Cluster 1
 Cluster 1 (UTS)=(89+90+90+90+85)/5 = 90
 Cluster 1 (Tugas)=(90+71+85+93+90)/5 = 85,8
 Cluster 1 (UAS)=(75+95+81+85+88)/5 = 84,8

b) Cluster 2
 Cluster 2 (UTS)=(70+80+70+60)/4 = 70
 Cluster 2 (UTS)=(75+70+70+70)/4 = 70,25
 Cluster 2 (UTS)=(80+75+73+72)/4 = 75
 c) Cluster 3
 Cluster 3 (UTS)=(45+65+60+45+52+40)/6 = 51,1667
 Cluster 3 (Tugas)=(65+75+55+60+68+60)/6 = 63,8333
 Cluster 3 (UAS)=(59+53+48+58+55+70)/6 = 57,1667

Sehingga didapat nilai cluster baru antara lain :

Cluster UTS Tugas UAS
K1 96 85,8 84,8
K2 70 70,25 75
K3 51,1667 63,8333 57,1667

5. Label ulang data berdasarkan jarak terdekat terhadap centroid baru. Langkah ini
merupakan langkah yang sama dengan langkah ketiga.

6. Ulangi langkah 4 dan langkah 5 sampai tidak ada pergerakan lagi.

Nama Jarak Ke Cluster
No. Hasil
Mahasiswa K1 K2 K3
1. Roy 10,7089 26,6939 49,3364 1
2. Sintia 17,9744 28,2854 54,6878 1
3. Iqbal 23,231 6,25 31,6346 2
4. Dilan 55,8863 30,3325 6,53835 3
5. Ratna 41,8674 22,8706 18,2597 3
6. Merry 21,1111 10,0778 34,4589 2
7. Rudi 3,8833 25,0012 50,2403 1
8. Hafiz 28,087 2,3585 25,3657 2
9. Ulvi 9,37443 35,3421 60,2944 1
10. Christian 56,594 33,0615 15,4946 3
11. Justin 58,3856 32,2578 7,30867 3
12. Jesika 36,242 10,5149 18,3326 2
13. Ayu 7,27186 27,305 52,7265 1
14 Siska 51,4673 27,1028 4,7697 3
15. Reitama 58,178 32,4278 17,438 3
 Hasil dari tahapan yang pertama dan kedua tidak berubah, maka hasil sudah sesuai
dengan pengelompokkan kluster. Berikut adalah hasil dari pengelompokkan
tersebut:
No. Nama Mahasiswa UTS Tugas UAS Kelompok
1. Roy 10,7089 26,6939 49,3364 Pintar
2. Sintia 17,9744 28,2854 54,6878 Pintar
3. Iqbal 23,231 6,25 31,6346 Sedang
4. Dilan 55,8863 30,3325 6,53835 Kurang
5. Ratna 41,8674 22,8706 18,2597 Kurang
6. Merry 21,1111 10,0778 34,4589 Sedang
7. Rudi 3,8833 25,0012 50,2403 Pintar
8. Hafiz 28,087 2,3585 25,3657 Sedang
9. Ulvi 9,37443 35,3421 60,2944 Pintar
10. Christian 56,594 33,0615 15,4946 Kurang
11. Justin 58,3856 32,2578 7,30867 Kurang
12. Jesika 36,242 10,5149 18,3326 Sedang
13. Ayu 7,27186 27,305 52,7265 Pintar
14 Siska 51,4673 27,1028 4,7697 Kurang
15. Reitama 58,178 32,4278 17,438 Kurang

2. Metode Fuzzy C-Means

Fuzzy c-means clustering merupakan suatu metode clustering yang hampir mirip
seperti k-means clustering. Karena metode clustering ini mirip dengan k-means
clustering, ada yang menyebut metode ini fuzzy k-means clustering. Fuzzy c-means
merupakan salah satu jenis soft clustering di mana dalam mengelompokan suatu data,
setiap data bisa dimiliki lebih dari satu cluster.
Kelebihan Fuzzy C-Means :
1) Selalu konvergen atau mampu melakukan klusterisasi(dengan tingkat konverge
sikuadratik)
2) Tidak membutuhkan operasi matematis yang rumit
3) Beban komputasi relatif ringan, sehingga konvergensi dapat tercapai dengan relatif
tergantung pada banyaknya data dan cluster yang ingin dicapai.
Kekurangan Fuzzy C-Means :
1) Jumlah cluster harus ditentukan di awal
2) Pusat cluster yang diberikan di awal bisa mempengaruhi hasil akhir (sensitf
terhadapnilai awal)
3) Solusi cluster yang dihasilkan hanya bersifat local optima sehingga belum dapat
dipastikan sudah merupakan hasil yang optimal atau belum.

Algoritma Fuzzy C-Means :

1. Input data yang akan dicluster X, berupa matriks berukuran n x m (n=jumlah sample
data, m=atribut setiap data). Xij=data sample kei(i=1,2,…,n), atribut ke-j(j=1,2,
…,m).
2. Tentukan:
 Jumlah cluster = c;
 Pangkat = w;
 Maksimum iterasi = MaxIter;
 Error terkecil yang diharapkan = ζ;
 Fungsi obyektif awal = P0 =0;
 Iterasi awal = t=1;
3. Bangkitkan nilai acak ηik, i=1,2,…,n; k=1,2,…,c; sebagai elemen-elemen matriks
partisi awal u. ηik adalah derajat keanggotaan yang merujuk pada seberapa besar
kemungkinan suatu data bisa menjadi anggota ke dalam suatu cluster. Posisi dan
nilai matriks dibangun secara random. Dimana nilai keangotaan terletak pada
interval 0 sampai dengan 1. Pada posisi awal matriks partisi U masih belum akurat
begitu juga pusat clusternya. Sehingga kecendrungan data untuk masuk suatu cluster
juga belum akurat.
Hitung jumlah setiap kolom (atribut)

Qi adalah jumlah nilai derajat keanggotaan perkolom = 1 dengan i=1,2,…n

Hitung:
 4. Hitung pusat Cluster ke-k: Vkj ,dengan k=1,2,…c; dan j=1,2,…m.

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

Fungsi obyektif digunakan sebagai syarat perulangan untuk mendapatkan pusat

cluster yang tepat. Sehingga diperoleh kecendrungan data untuk masuk ke cluster
mana pada step akhir.
6. Hitung perubahan matriks partisi:

dengan: i=1,2,…n;dan k=1,2,..c.

7. Cek kondisi berhenti:
1) jika:( |Pt - Pt-1 | <ξ ) atau (t > maxIter) maka berhenti;
2) jika tidak: t=t+1, ulangi langkah ke-4.

Contoh Kasus :
Berikut akan dijelaskan contoh kasus sederhana dengan penyelesaian menggunakan
FCM untuk mengelompokkan karyawan berdasarkan kinerja. Misalkan berikut ini
merupakan contoh nilai yang diperoleh 10 karyawan berdasakan kriteria yang telah
ditetapkan:
1. Data yang akan dikelompokkan yaitu berupa data karyawan dengan jumlah
karyawan n (10 Karyawan) karyawan dan dengan atribut 1 atribut yang merupakan
total penilaian kinerja karyawan dalam satu tahun. Dengan demikian matriks input
yang terbentuk yaitu berupa matriks satu dimensi.
 Nilai Karyawan
NIlai
NIK Total
KU KT KOM K-Teams DS PL
126303 0 0 0 0 0 0 0
137996 0,1 0,1 0,2 0,2 0,2 0,2 1
138000 1,2 0,4 0,2 0,2 0,1 0,1 2,2
173767 2 0,4 0,5 0,2 0,2 0,1 3,4
194180 2,5 0,5 0,5 0,5 0,5 0,5 5
197987 2,4 0,5 0,5 0,2 0,2 0,2 4
650471 2,35 0,3 0,5 0,4 0,4 0,4 4,35
900298 1,475 0,5 0,4 0,4 0,3 0,2 3,275
901245 0,475 0,2 0,1 0,1 0,1 0,2 1,175
902116 1,5 0,2 0,3 0,3 0,4 0,5 3,2

Keterangan :
KU : Konstribusi Utama
KT : Kompetensi Teknis
KOM : Komunikasi
K-Team : Kerja Team
DS : Disiplin
PL : Pelayanan

2. Menentukan Nilai Parameter Awal :

a. Jumlah cluster yang akan dibentuk = C (Pada contoh kasus jumlah cluster C =
4)
b. Pangkat (pembobot) = w = 2
c. Maksimum Iterasi = 100
d. Kriteria penghentian = ζ = 10-5
e. Fungsi obyektif awal = P0 =0;
f. Iterasi awal = t=1
3. Bangkitkan nilai acak μik, i=1,2,…,10; k=1,2,3,4;

Matrik partisi pertama dengan jumlah perkolom = 1.

I μi1 μi1 μi1 μi1
1 0,33469161 0,25304115 0,27490711 0,1373602
2 0,16308914 0,41845515 0,00757125 0,4108845
3 0,41075423 0,35757384 0,02287178 0,2088002
4 0,2886377 0,26449946 0,12498748 0,3218754
5 0,38881993 0,02509165 0,42367125 0,1624171
6 0,27083793 0,39583814 0,02760893 0,3057151
7 0,23005001 0,14634722 0,30563548 0,3179672
8 0,12004017 0,12711586 0,37760499 0,3752389
9 0,21715601 0,36345807 0,33576679 0,0836192
10 0,28338251 0,39952466 0,09944517 0,2176477

4. Hitung pusat Cluster ke-k: Vkj ,dengan k=1,2,…4; dan j=1 dengan Rumus,

maka diperoleh Nilai Pusat Cluster pertama yaitu

V = [2,864467 2,313035 3,159036 2,907394]
5. Hitung fungsi obyektif pada iterasi ke-1, P1.

6. Hitung perubahan matriks partisi pada iterasi ke-1, dengan menggunakan Rumus
diperoleh hasil seperti tabel 3.3 berikut ini :

Matrik Partisi Baru

New(μi1) New(μi2) New(μi3) New(μi4)
0,231132 0,354473 0,190037 0,224357
0,211974 0,427406 0,158079 0,202541
0,027087 0,936011 0,013003 0,023899
0,135797 0,032963 0,670744 0,160495
0,248835 0,157181 0,334836 0,259148
0,229545 0,104005 0,418515 0,247936
0,241074 0,128218 0,375074 0,255634

Selanjutnya melakukan pengecekan kondisi berhenti. Karena | P1 – P0 | = |

6,98174–0| = 6,98174 > ξ (10-5), dan interasi = 1 < MaxIter (=100), maka kita
lanjutkan ke interasi ke-2 (t=2).

Pada interasi ke-2, diperoleh kembali pusat cluster sebagai berikut :

V= [3,206656 3,239027 2,236436 2,043514]

Fungsi objektif pada interasi kedua P2 diperoleh P2 = 5,275814484. Selanjutnya

dilakukan pengecekan kembali kondisi berhenti. Karena | P2 – P1 | = | 4,748536526
– 6,98174| = 2,233202514 > ξ (10-5), dan interasi = 2 < MaxIter (=100), maka proses
dilanjutkan ke interasi ke-3 (t=3). Demikian seterusnya, hingga : | Pt – Pt-1 | < ξ atau
t > MaxIter. Untuk kasus ini, proses baru akan berhenti setelah interasi ke-14 dengan
pusat cluster sebagai berikut:
V = [2,157049 0,726892 4,557859 3,325616]
Matrik Partisi Iterasi ke-14
i New(μi1) New(μi2) New(μi3) New(μi4)
1 0,095687 0,842625 0,021431 0,040256
2 0,051808 0,929889 0,005479 0,012824
3 0,997369 0,000848 0,000331 0,001452
4 0,003551 0,000768 0,004092 0,991589
5 0,021896 0,009692 0,905287 0,063125
6 0,050764 0,016094 0,55403 0,379112
7 0,008528 0,003124 0,949263 0,039084
8 0,002042 0,000393 0,001551 0,996015
9 0,164051 0,787916 0,013825 0,034207
10 0,014144 0,002515 0,008344 0,974997

Dari matriks partisi U tersebut dapat diperoleh informasi mengenai

kecenderungan karyawan untuk masuk ke dalam kelompok (cluster) yang mana.
Suatu karyawan memiliki derajat keanggotaan tertentu untuk menjadi anggota suatu
kelompok. Tabel 4.13 menunjukkan derajat keanggotaan tiap karyawan pada setiap
kelompok (cluster) beserta kecenderungan tertinggi seorang karyawan untuk masuk
dalam suatu kelompok.
Derajat Keanggotaan Tiap Data Pada Setiap Cluster
Data Derajat Keanggotaan Data Pada Cluster Derajat Keanggotaan Data
Ke- Pada Cluster
1 2 3 4 1 2 3 4
1 0,095687 0,842625 0,021431 0,04025 
6
2 0,051808 0,929889 0,005479 0,01282 
4
3 0,997369 0,000848 0,000331 0,00145 
2
4 0,003551 0,000768 0,004092 0,99158 
9
 5 0,021896 0,009692 0,905287 0,06312 
5
6 0,050764 0,016094 0,55403 0,37911 
2
7 0,008528 0,003124 0,949263 0,03908 
4
8 0,002042 0,000393 0,001551 0,99601 
5
9 0,164051 0,787916 0,013825 0,03420 
7
10 0,014144 0,002515 0,008344 0,97499 
7
Dengan mengurutkan pusat cluster dapat disimpulkan bahwa cluster ke-3
merupakan pusat cluster terbesar (cluster yang akan mendapat nilai A) dan
selanjutnya yaitu cluster ke-4 (Nilai B), dan seterusnya. Berikut ini merupakan Nilai
yang diperoleh setelah data dikelompokkan dengan FCM.

Nilai Yang Diperoleh :

I NIK Cluster Total Nilai Nilai
1 126303 2 0 D
2 137996 2 1 D
3 138000 1 2,2 C
4 173767 4 3,4 B
5 194180 3 5 A
6 197987 3 4 A
7 650471 3 4,35 A
8 900298 4 3,275 B
9 901245 2 1,175 D
10 902116 4 3,2 B