angka eigenvalues memiliki nilai di atas 1. Sehingga proses factoring seharusnya berhenti pada 11 faktor saja. Faktor 1 memiliki eigenvalue sebesar 2,978 artinya
faktor 1 ini dapat menjelaskan 2,978 atau 11,454 dari total communalities
d. Component Matrix
Tabel 4.6: Conponent Matrix
1 2
3 4
5 6
7 8
9 10
11 Pegal
-.144 .369 -.204 -.207
.430 .414
-.277 .022
.128 -.148 -.049
NyeriSendi .022
.724 .000 .022 -.174
-.292 .377
.212 .114 -.109
-.124 Normalotot
-.037 -.834 .193 -.077
-.121 -.236
-.231 -.114 -.102
.112 .112
Linulinu .274
.087 -.131 .376 -.006
.507 .239
-.208 -.226 .237
-.057 Muntah
.148 .102 .459 -.145
-.181 .076
.170 .156
.406 -.045 .422
Diare .080
.040 .112 -.727 -.254
.126 .037
-.074 -.101 .208
-.175 Kembung
-.229 -.086 .042 -.225
.421 -.013
.317 -.246
.156 .061
.363 mual
.065 -.226 .237 .423
-.093 .206
.262 .438
.042 .194
-.009 Component
Tabel ini berisikan factor loading nilai korelasi antara variabel-variabel analisis dengan faktor yang terbentuk.Berdasarkan tabel 4.6 di atas, terlihat bahwa ada
11 faktor yang terbentuk dari 26 variabel.Hal ini menunjukkan bahwa 11 factor adalah jumlah yang paling optimal untuk mereduksi ketiga variabel bebas tersebut.
e. Component Score Coefficient Matrix
Setelah mendapatkan faktor yang terbentuk melalui proses reduksi, maka perlu dicari persamannya. Dengan persaman tersebut, dapat diperoleh skor setiap faktor
secara manual.Persamaan yang dibuat mirip dengan regresi linier berganda, hanya dalam persamaan faktornya tidak terdapat konstanta.Skor-skor faktor yang dihasilkan
dapat digunakan untuk menggantikan skor-skor pada varibel bebas yang asli. Hasil skor faktor yang diperoleh ditunjukkan pada tabel 4.7 dan hasilComponent Score
Coefficient Matrix ditunjukkan pada tabel 4.8 dibawah ini :
Tabel 4.7: Score Faktor
FC1 FC2
FC3 FC4 FC5 FC6
FC7 FC8
FC9 FC10 FC11
-0.0649 -0.11 1.665 0.12
0.4 0.1013 -0.13 0.183 1.005 0.48
-0 1.07655 0.051 1.419 0.55 -0.4 0.3197 -0.46 -0.21 0.129
0.51 0.22 -1.04707
-0.9 1.1 0.21 0.03 -1.239 1.115 -1.97 1.861
2.49 -0.5
-1.16246 -0.99 0.862 0.17 0.35 0.6079 0.022 1.279 0.035 -0.53 0.26
1.11325 0.918 0.687 0.71 0.04 -0.571 0.845 0.457 0.124 -1.12 0.35 0.83123
-0.55 0.624 0.09 0.65 -0.531 0.143 -0.76 0.512 -0 0.54
0.98196 -0.05 1.311 0.73 0.47 -0.469 -0.81 -0.63 -0.78
0.31 -0.5
-1.40938 -0.44 0.474 0.17 -0.8 -0.249 -0.57 0.108 -0.47 -0.18
-0.8
Tabel 4.8: Component Score Coefficient Matrix
1 2
3 4
5 6
7 8
9 10
11 Pegal
-.048 .153 -.091 -.122
.277 .285
-.210 .018
.114 -.138 -.048
NyeriSendi .007
.300 .000
.013 -.112
-.201 .286
.181 .101 -.102
-.120 Normalotot
-.012 -.345
.086 -.046 -.078
-.163 -.175
-.097 -.091
.105 .109
Linulinu .092
.036 -.058 .222
-.004 .350
.181 -.178
-.201 .222
-.056 Muntah
.050 .042
.203 -.086 -.116
.052 .129
.134 .362 -.042
.410 Diare
.027 .017
.050 -.430 -.164
.087 .028
-.063 -.090
.194 -.170
Kembung -.077
-.036 .018 -.133
.271 -.009
.240 -.210
.139 .057
.353 Component
4.2.4Membentuk derajat Keanggotaan Matriks Uik
Langkah pertama dalam perhitungan Fuzzy C-Means FCM adalah membentuk matriks derajat keanggotaan awal atau matriks partisi awal U
ik
.Matrik partisi U
ik
mempunyai komponen i= banyaknya data, k = banyaknya cluster. Matrik ini random dengan kisaran nilai 0 sampai 1. Pembentukan matrik U
ik
ini dilakukan dengan menggunakan fungsi seperti tabel 4.9
Tabel 4.9: Fungsi FFCM_InitV
function V = FFCM_InitV c, p V = randc, p;
col_sum = sumV; V = V.col_sumonesc, 1, :;
Matriks U
ik
yang terbentuk dari fungsi FFCM_initV disimpan ke dalam hepatitis.mat.Jika dijumlahkan maka nilai perbaris dari matriks U
ik
yang terbentuk tidak lebih dari 1. Setelah nilai matriks partisi awal disimpan maka proses FCM
dilakukan pertama kali dengan memilih data yang akan diolah, kemudian data tersebut akan dihitung dengan menggunakan fungsi FFCM yang terdapat pada
halaman lampiran. Perhitungan FCM ini akan dilakukan berulang kali untuk memperbaiki lokasi pusat cluster. Langkah iterative ini akan dilakukan berdasarkan
minimisasi fungsi objektif.
5.3 Implementasi User Interface
Implementasi sistem pengelompokkan penyakit hepatitis dengan menggunakan Fuzzy C-Meansini dibangun dengan menggunakan program MATLAB R2010a. Source code
program terdapat pada halaman Lampiran.
Gambar 4.1 : Halaman Pengelompokkan Penyakit Hepatitis
Pada gambar 4.1 ditunjukkan halaman pengelompokkan penyakit hepatitis dengan menggunakan metode FCM. Di halaman ini user memilih data rekam medis yang akan
dihitung dengan menekan tombol cari maka akan muncul dialog box seperti gambar 4.2 dibawah ini.