Fuzzy C-Means

• Fuzzy C-Means merupakan salah satu metode

dari fuzzy clustering
• Metode ini dikembangkan Dunn (1973) dan
diperbaiki Bezdek (1981) sebagai metode
yang sering digunakan dalam pengenalan pola
(pattern recognition).
• Pengelompokan data pada FCM ditentukan
berdasarkan derajat keanggotaan yang
bernilai antara 0 dan 1.
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 yang diharapkan = ε
• Fungsi obyektif awal = P0
= 0;
• Iterasi awal = t = 1; 3
3. Bangkitkan bilangan random ik, i=1,2,...,n;
k=1,2,...,c; sebagai elemen-elemen matriks partisi
awal U.
4. Hitung pusat cluster ke-k: Vkj, dengan k=1,2,...,c; dan
j=1,2,...,m.

  ( ) * X ij 
n
w
ik
Vkj  i 1
n

 (
i 1
ik ) w

4
5. Hitung fungsi obyektif pada iterasi ke-t, Pt:

 m 2

Pt      X ij  Vkj     ik  
n c
w

i 1 k 1   j1

 

6. Hitung perubahan matriks partisi:

1
m 2
  X ij  Vkj  
w 1

 ik   j1 
1
c  m
2
  X ij  Vkj  
w 1


k 1  j1 

dengan: i = 1,2,...,n; dan k = 1,2,...,c.

5
7. Cek kondisi berhenti:
• Jika: ( |Pt – Pt-1| < ε) atau (t > MaxIter) maka berhenti;
• Jika tidak: t = t+1, ulangi langkah ke-4.

6
Contoh :
Misalkan terdapat 5 buah sampel data dengan atribut
X1, X2 dalam vektor dua dimensi.
Data(i) xi1 xi2

1 10 8

2 4 5

3 2 3

4 9 7

5 0 1

Dengan:
Jumlah cluster = 2;
Pangkat (w) = 2;
Maksimum iterasi = 3;
Error terkecil yang diharapkan (ε) = 0.1
Fungsi obyektif awal = P0 = 0;
Iterasi awal = t=1
Bangkitkan bilangan random untuk matrik U dengan
ukuran 5 x 2. Matriks ini menunjukkan derajat
keanggotaan data ke-i = 1,2,3,4,5 pada cluster ke k =
1,2 .

Secara Acak terlihat dari nilai

keanggotaan :
Data ke 1 masuk ke cluster 2
Data ke 2 masuk ke cluster 1
Data ke 3 masuk ke cluster 1
Data ke 4 masuk ke cluster 2
Data ke 5 masuk ke cluster 1
Menghitung pusat cluster.
Data µij xij (µi1)2 (µi2)2 (µi1)2*xi1 (µi1)2*xi2 (µi2)2*xi1 (µi2)2*xi2
(i)
1 2 1 2

1 0.3 0.7 10 8 0.09 0.49 0.9 0.72 4.9 3.92

2 0.6 0.4 4 5 0.36 0.16 1.44 1.8 0.64 0.8

3 0.7 0.3 2 3 0.49 0.09 0.98 1.47 0.18 0.27

4 0.4 0.6 9 7 0.16 0.36 1.44 1.12 3.24 2.52

5 0.8 0.2 0 1 0.64 0.04 0 0.64 0 0.04

∑ 1.74 1.14 4.76 5.75 8.96 7.52

Dimana k = cluster, j = byk atribut

menghitung fungsi objektif pd iterasi 1.

   
i (µi1)
2
(µi2)
2
C1 + C2
C1 C2
1 0,09 0,49 6,73 3,17 9,91
2 0,36 0,16 1,61 2,80 4,42
3 0,49 0,09 0,31 4,27 4,58
4 0,16 0,36 8,46 0,52 8,98
5 0,64 0,04 8,19 3,74 11,92
fungsi obyektif (Pt) = ∑ C1 + C2 40

Jadi fungsi objektif setelah iterasi ke 1

P1 = 40
update derajat keanggotaan (μ).
૛
Data ሺࢄ࢏૚ െࢂ૚૚ሻ૛ ሺࢄ࢏૛ െࢂ૚૛ሻ૛ ሺࢄ࢏૚ െࢂ૛૚ሻ૛ ሺࢄ࢏૛ െࢂ૛૛ሻ LT µi1 µi2
(i) L1 L2 L3 L4 L1+L2+L3+L4 (L1+L2)/LT (L3+L4)/LT
1 52,77 22,05 4,58 1,90 81,30 0,92 0,08
2 1,60 2,87 14,90 2,63 22,00 0,20 0,80
3 0,54 0,09 34,34 13,12 48,09 0,01 0,99
4 39,24 13,66 1,30 0,14 54,34 0,97 0,03
5 7,48 5,31 61,77 31,62 106,18 0,12 0,88

Dilihat dari nilai keanggotaan

0,92 0,08 setelah iterasi ke 1:
0,20 0,80 Data ke 1 masuk ke cluster 1
U = 0,01 0,99 Data ke 2 masuk ke cluster 2
0,97 0,03 Data ke 3 masuk ke cluster 2
0,12 0,88 Data ke 4 masuk ke cluster 1
Data ke 5 masuk ke cluster 2
  Berikutnya kita cek kondisi berhenti.Karena

= = 40 >ε = 0,1
Atau Iterasi = 1 <MaxIterasi = 3 maka
dilanjutkan ke iterasi ke-2 (t=2).
Setelah dilakukan 3 kali iterasi maka akan didapat
hasil seperti berikut:
0,99 0,01
0,22 0,78 Dilihat dari nilai keanggotaan
U= 0,00 1,00 setelah iterasi ke 3:
1,00 0,00 Data ke 1 masuk ke cluster 1
0,05 0,95
Data ke 2 masuk ke cluster 2
Data ke 3 masuk ke cluster 2
Dengan pusat kluster
Data ke 4 masuk ke cluster 1
9,36 7,43 Data ke 5 masuk ke cluster 2
Vjk =
1,79 2,79
Setelah melakukan clustering dari data set (fase
learning), tahap berikutnya adalah menguji dengan data
uji/test.
Untuk mengetahui data uji masuk dalam cluster mana,
kita dapat mengetahuinya dari jarak euclidean antara
data uji dengan titik pusat cluster.
Contoh :
Data uji X1 = 4, X2 = 6 termasuk cluster mana
Jawab
ሺࢄ࢏૚ െࢂ૚૚ሻ૛ ሺࢄ࢏૛ െࢂ૚૛ሻ૛ ሺࢄ࢏૚ െࢂ૛૚ሻ૛ ሺࢄ࢏૛ െࢂ૛૛ሻ૛ LT1 LT2 µi1 µi2
L1 L2 L3 L4 (L1+L2)^(-1) (L3+L4)^(-1) LT1/(LT1+LT2) (L3+L4)/LT
28,78 2,05 4,89 7,77 0,03 0,08 0,29 0,71

Terlihat nilai keanggotaan di cluster 2 lebih besar,

sehingga data uji cenderung ke cluster 2