Anda di halaman 1dari 7

FUZZY C-MEANS (FCM)

ALGORITMA FUZZY C-MEANS (1)


1.Input data yang akan diklaster X, berupa
matriks berukuran n x m (n = jumlah sample
data, m = atribut setiap data). Xij = data
sampel ke-i (i = 1,2,…,n), atribut ke-j (j = 1,2,
…,m).
Contoh :
Jumlah dokumen

X=

Jumlah kata
ALGORITMA FUZZY C-MEANS (2)
2. Tentukan:
 Jumlah klaster = c;
 Pangkat/Derajat kefuzzy-an = w;
 Maksimum iterasi = MaxIter;
 Error terkecil yg diharapkan = ξ;
 Fungsi objektif awal = P0 = 0;
 Iterasi awal = t = 1;
ALGORITMA FUZZY C-MEANS (3)
3.Bangkitkan bilangan random μik, i = 1,2,…,n;
k = 1,2,…,c; sebagai elemen-elemen
matriks partisi awal U. Hitung jumlah setiap
kolom (atribut):

Jumlah dokumen
Dengan i=1,2,…,n.
Hitung:
 

Jumlah klaster
ALGORITMA FUZZY C-MEANS (4)
4.Hitung pusat klaster ke-k: Vkj , dengan
k = 1,2,…,c; dan j = 1,2,…,m.

Jumlah klaster
Jumlah kata
5.Hitung fungsi obyektif pada iterasi ke-t, Pt:
ALGORITMA FUZZY C-MEANS (5)
6.Hitung perubahan matriks partisi:

7. Cek kondisi berhenti:


Jika: ( | Pt – Pt-1 | < ξ ) atau ( t > MaxIter) maka
berhenti;
Jika tidak: t = t+1, ulangi langkah ke-4.
DESKRIPSI SISTEM
 Sediakan menu pengujian (yang nantinya
digunakan saat presentasi)
 Input sistem : xls

 Output sistem : KBK

 Yang harus ditampilkan dari hasil


pembangunan sistem :
 Derajat keanggotaan pada ketiga klaster

 Label tiap klaster

 Matriks pusat klaster

 Term yang dipilih sebagai input sistem