2.5. Fuzzy C-Means
Fuzzy C-Means FCM adalah suatu metode clustering data dimana tiap data dalam satu cluster ditentukan oleh derajat keanggotaanya. FCM
menggunakan model pengelompokan fuzzy sehingga suatu data dapat menjadi anggota dari semua kelas atau cluster yang terbentuk. Hal ini disebabkan karena
nilai keanggotaan suatu data terletak pada interval 0 sampai dengan 1. Adapun tahapan-tahapan Fuzzy C-Means adalah sebagai berikut Luthfi 2007:
1. Membentuk matriks partisi awal U derajat keangotaan dalam cluster secara
acak , dengan ketentuan jumlah setiap kolom pada matrik sama dengan 1.
.......................................................6
dengan : U
= matrik partisi awal = derajat keanggotaan untuk data ke-x dan cluster ke-c
2. Menghitung pusat cluster V untuk setiap cluster dengan persamaan 7:
...............................................................................7 dengan
= pusat cluster = derajat keanggotaan titik ke-k di cluster ke-i
w = pangkat pembobot x = data masukan ke-k
3. Menghitung fungsi obyektif pada iterasi ke-t, dengan persamaan 8
:
dengan : .......................................... 8
= fungsi obyektif pada iterasi ke-t = sample data ke-k, atribut ke-j
= pusat cluster ke-k untuk atribut ke j = derajat keangotaan titik ke-k di cluster ke-i
4. Memperbaiki derajat keanggotaan setiap anggota dengan persamaan 9.
…………………………………………...9
dengan mencari jarak d antara pusat cluster dan data dengan persamaan 10. …………………………………………10
dengan : = sample data ke-k, atribut ke-j
= pusat cluster ke-k untuk atribut ke-j = pangkat pembobot
5. Memeriksa kondisi berhenti ;
Jika │P
t
- P
t-1
Proses selesai │ ε atau t maxiter
Jika tidak : t =t+1 Kembali ke langkah ke 2.
2.6. Evaluasi Sistem
Evaluasi sistem dilakukan untuk menentukan tingkat akurasi model clustering dan hasil identifikasi. Salah satu cara untuk menghitung tingkat akurasi
adalah dengan menggunakan confusion matrix antara data real dan data prediksi adalah sebagai berikut Hermaduanti 2008 :
Data Prediksi
+ -
+ TP
FN -
FP TN
D at
a R
eal
Kategori