Anda di halaman 1dari 4

C.

Fuzzy C-Means (FCM)

Fuzzy C-Mean Chestering (FCM) juga dikenal sebagai fuzzy ISODATA.


Pengelompokan setiap titik data dalam sebuah cluster ditentukan oleh derajat
keanggotaannya. Bezdek mengusulkan algoritma ini tahun 1973 sebagai
pengembangan awal dari hard C-mean (HCM) clustering (Jang et at.,1997)

FCM membagi sebuah koleksi ke-n dari vektor x , dengan i=1,2,3….n ke


i

dalam c grup fuzzy dan mencari pusat cluster pada masing-masing grup yakni
fungsi biaya dari ukuran ketidakmiripan yang paling minimal.

Fuzzy c menu memiliki dua proses yakni menghitung pusat cluster dan
menandai poin untuk pusat cluster menggunakan sebuah jarak euclidean. Proses
ini dilakukan berulang hingga pusat cluster stabil. Keberadaan setiap titik data
pada FCM dalam suatu cluster ditentukan oleh derajat keanggotaan antara 0 hingga
1(Jang et.at., 1997 dan cox, 2005).

Untuk mengakomondasi fuzzy partisi, keanggotaan matrik U harus memiliki


nilai antara 0 dan 1 (Jang et., al., 1997 dan Pedryez., 2005). Normalisasi penepatan
hasil derajat keanggotaan dari set data menggunakan persamaan (9).

Dengan adalah derajat keanggotaan point data terhadap pusat-pusat cluster, C


adalah jumlah cluster C, serta n adalah jumlah data.

Fungsi objektif pada fuzzy c-menu digunakan persamaan (10)

Dengan J adalah fungsi objektif, u adalah derajat keanggotaan poin data terhadap
ij

cluster-cluster dengan nilai antara 0 dan 1, c adalah jumlah cluster, n adalah


banyaknya poin data, m adalah nilai parameter fuzzy dan d adlah jarak antara
ij

pusat cluster ke-I hingga ke-j dari titik data.

Jarak antar cluster ke-I hingga ke-j dari titik data didapatkan dari persamaan d =
ij

Nilai minimum dari pusat cluster digunakan persamaan (11) dibawah ini:
Dengan ci adalah pusat cluster ke-I, n adalah banyaknya poin data, uij adalah
derajat keanggotaan poin data terhadap cluster-cluster dengan nilainya antara 0
dan I, m adalah nilai parameter fuzzy, serta Xj adalah data poin ke-j.

Untuk menghitung perubahan matrik partisi (derajat keanggotaan poin data


terhadap semua cluster yang baru) dugunakan persamaan (12).

Dengan uij adalah derajat keanggotaan poin data terhadap cluster-cluster yang
nilainya antara 0 dan 1, c adalah jarak cluster dari grup fuzzy ke-I, m adalah
parameter fuzzy, dij adalah jarak euclidian antara pusat ke-I hingga ke-j dari poin
data, dkj adalah jarak eucilidian antara pusat cluster ke-k hingga ke-j dari poin data.

Algoritma FCM diawali dengan menentukan derajat keanggotaan (secara


acak) setiap titik data terhadap cluster. Berdasarkan derajat keanggotaan,
kemudian ditentukan pusat cluster. Pada kondisi awal, pusat cluster tentu saja
belum akurat. Derajat keanggotaan selanjutnya diperbaiki berdasrkan fungsi jarak
antara titik data dengan pusat cluster (Nascimento et.al., 2003).

Dengan memperbaiki pusat cluster dan derajat keanggotaan tiap titik data antara
berulang dan terus menerus maka pusat cluster akan bergeser ke titik yang tepat.
Kinerja FCM tergantung pada inisialisasi pusat cluster. Keluaran FCM adalah deretan
pusat cluster dan derajat keanggotaan data terhadap setiap cluster.

FCM menentukan pusat cluster Ci keanggotaan matriks U (jang et. Al., 1997) dengan
langkah-langkah sebagai berikut :

1. Inisialisasi keanggotaan matrik U dengan nilai random antara 0 dan 1 dengan


persamaan (9).

2. Menghitung c pusat cluster fuzzy cij i=1,2,3,…c menggunakan persamaan


(11)

3. Menghitung fungsi objektif berdasarkan persamaan (10).berhenti jika hasil


fungsi objektifnya mencapai nilai toleransi atau hasil fungsi objektifnya
setelah iterasi maksimal yang ditetapkan.
4. Menghitung matrik partisi baru menggunakan persamaan (12) dan kembali
ke langkah ke-2.

Diagram alir proses clustering data algoritma fuzzy c-mean dapat dilihat gambar 8.

Feature Cluster Feature


data Number data

E-stop

Dengan U adalah matrik partisi, c adalah pusat cluster, D adalah jarak antara
matrik, m adalah nilai parameter fuzzifikasi, k adalah jumlah cluster, n adalah
jumlah data serta p jumlah atribut data. Kemudian untuk nilai E-step dan M-step
dapat dihitung dengan persamaan (13) dan persamaan (14).

E-step:

M-step :
Dengan mk adalh pusat cluster ke0k dan uik adalah derajat keanggotaan poin data
terhadap pusat cluster (M-step).

Dalam algoritma FCM ada beberapa hal yang perlu diperhatikan saat membangun
sistem diantaranya iterasi maksimal, error terkecil yang diinginkan (), pemangkat
(m > 1) dan inisialisasi terhadap pusat awal cluster (c ≥ 2).

D. Metode Pelabelan Otomatis Citra

Metode pelabelan otomatis mengadopsi metode pengembangan ontologi


yang dikenal dengan metologi Uschold yaitu (Benjamins et. Al., 2004):

1. Mendefinisikan tujuan dan cakupan dari pelabelan otomatis;

2. Membangun pelabelan ototmatis dengan langkah labbeling capture yang


merupakan pengumpulan subjek-subjek/konsep citra, labbeling coding
membangun model subjek/konsep dan mengintegrasikan pelabelan yang
telah ada (reuse)secara visual.