1. Partitioning Methdos Metode yang membangun berbagai partisi dan kemudian mengevaluasi partisi tersebut
dengan beberapa kriteria.Algoritma yang dipakai pada metode ini adalah K-Means, K- Medoid
, PROCLUS, CLARA, CLARANS dan PAM.
2. Hierarchical Methods Metode yang membuat suatu penguraian secara hierarchical dari himpunan data
dengan menggunakan beberapa kriteria. Metode ini terdiri atas dua jenis, yaitu Agglomerative
yang menggunakan strategi bottom-up dan Disisive yang menggunakan strategi top-down. Metode ini meliputi algoritma BIRCH, AGNES,
DIANA, CURE dan CHAMELEON.
3. Density-Based Methods Metode ini berdasarkan konektivitas dan fungsi densitas.Metode ini meliputi
algoritma DBSCAN, OPTICS dan DENCLU.
4. Grid-Based Methods Metode ini berdasarkan suatu struktur granularitas multi-level.Metode clustering ini
meliputi algoritma STING, WaveCluster dan CLIQUE.
5. Model-Based Methods Suatu model dihipotesakan untuk masing-masing cluster dan ide untuk mencari best
fit dari model tersebut untuk masing-masing yang lain. Metode clustering ini meliputi
pendekatan statistik, yaitu algoritma COBWEB dan jaringan syaraf tiruan SOM.
2.4. Fuzzy C-Means
Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal euclidian untuk jarak antar
vektor. Fuzzy clustering sangat berguna bagi pemodelan fuzzy terutama dalam mengindentifikasi aturan-aturan fuzzy.
Ada beberapa algoritma clustering data, salah satu diantaranya adalah Fuzzy C-Means FCM. Fuzzy C-Means FCM adalah suatu teknik pengclusteran data yang
mana keberadaan tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun
1981. Konsep dari Fuzzy C-Means pertama kali adalah menentukan pusat cluster,
yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini masih belum akurat. Tiap-tiap titik data memiliki derajat keanggotaan
untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan tiap-tiap titik data secara berulang, maka akan dapat dilihat bahwa
pusatcluster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada minimisasi fungsi objektif yang menggambarkan jarak dari titik data yang diberikan
kepusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut. Output dari Fuzzy C-Means merupakan deretan pusat cluster dan beberapa
derajat keanggotaan untuk tiap-tiap titik data. Informasi ini dapat digunakan untuk membangun suatu fuzzy inference system.
Algoritma Fuzzy C-Means
Langkah-langkah yang dilakukan di Algoritma Fuzzy C-Means Clustering meliputi Kusuma, 2004 :
1. Input data yang akan di cluster X, berupa matriks berukuran n x m n = jumlah sampel data ; m = atribut setiap data
X
ij
data sampel ke-i i = 1, 2, .... , n, atribut ke-j 1, 2,... , m
2. Menentukan jumlah dari •
Cluster c •
Pangkat w - w 1, nilai w yang paling optimal dan sering dipakai adalah w = 2. Klawonn, 1997.
• Maksimum Iterasi MaxIter
• Kriteria penghentian
• Fungsi Objective Awal P
= 0 •
Iterasi awal t = 1
3. Membangkitkan bilangan Random iki= 1,2,…n., k=1,2,…c sebagai elemenmatriks partisi awal U. Menghitung jumlah setiap kolom atribut
dengan j = 1, 2, .. n dengan persamaan :
Q
i
= 2.1
µ
ik
=
4. Menghitung pusat cluster ke-k : Vkj ,dengan k = 1,2,...,c; danj =1,2,...,m. dengan persamaan :
2.2
dengan : = pusat cluster
ke-k untuk atribut ke-j = derajat keanggotaan untuk data sampel ke-i pada cluster
ke-k
= data ke-i, atribut ke-j
5. Menghitung fungsi obyektif pada iterasi ke- t, dengan persamaan :
=
2.3
dengan: = pusat cluster
ke-k untuk atribut ke-j = derajat keanggotaan untuk data sampel ke-i pada cluster
ke-k = data ke-i, atribut ke-j
= fungsi objektif pada iterasi ke-t
6. Menghitung perubahan matriks partisi dengan persamaan :
2.4
dengan: i = 1,2,...,n; dan k = 1,2,...,c.
Dimana :
= pusat cluster ke-k untuk atribut ke-j
= derajat keanggotaan untuk data sampel ke-i pada cluster ke-k
= data ke-i, atribut ke-j
7. Memeriksa kondisi berhenti dengan aturan persamaan
8. Jika: |Pt – Pt-1| atau t MaxIter maka berhenti. Jika tidak maka
t = t+1, Ulangi langkah ke-4.
2.5. Penelitian Terdahulu
