Fuzzy C Means (FCM) just another blog (jab)

Fuzzy C­Means (FCM)
Posted on June 7, 2011

Fuzzy C­Means (FCM) Merupakan suatu teknik pengclusteran data
dimana tiap­tiap data dalam suatu cluster ditentukan oleh derajat
keanggotaannya. Terdapat beberapa perbedaan yang mendasar antara
teknik pengclusteran klasik dengan teknik pengclusteran fuzzy yaitu
pada partisi clustering yang bersifat klasik, suatu data hanya menjadi
anggota pada satu cluster saja, sedangkan pada partisi fuzzy suatu
data bisa menjadi anggota pada dua cluster yang berbeda. Hal ini
disebabkan karena nilai keanggotaan suatu data pada partisi fuzzy
terletak pada interval 0 sampai dengan 1. Konsep FCM antara lain:
Penentuan pusat cluster yang menandai lokasi rata­rata untuk
tiap cluster, dengan kondisi awal tidak akurat.
Tiap data memiliki derajat keanggotaan untuk masing­masing
cluster.
Dengan perulangan yang didasarkan pada minimisasi fungsi
obyektif, pusat cluster dan nilai kenaggotaan diperbaiki.
Sehingga lokasi cluster bisa berada pada posisi yang benar.
Misal Pengelompokkan data Arus laut menggunakan metode fuzzy
cluster – mean dilakukan dengan matlab, yaitu dengan menuliskan

syntax pada editor matlab.

0

0

Arus= []; %masukkan data yang akan dicluster di dalam tanda []
[center,U,obj_fcn] = fcm Arus,  ; %syntax clustering dengan   cluster
maxU = max U ;
index  = find U ,:  == maxU ;
index  = find U ,:  == maxU ;
index  = find U ,:  == maxU ;
index  = find U ,:  == maxU ;
index  = find U ,:  == maxU ;
index  = find U ,:  == maxU ;
index  = find U ,:  == maxU ;
figure %plotting untuk data clustering ke 
plot Arus index , ,'o','color','b' ;
title 'Fuzzy Clustering Kecepatan  m/s '
xlabel 'Banyak Data'

ylabel 'Kecepatan  m/s '
figure %plotting untuk data clustering ke 
plot Arus index , ,'x','color','r' ;
title 'Fuzzy Clustering Kecepatan  m/s '
xlabel 'Banyak Data'
ylabel 'Kecepatan  m/s '
figure %plotting untuk data clustering ke 
plot Arus index , ,'o','color','g' ;

plot Arus index , ,'o','color','g' ;
title 'Fuzzy Clustering Kecepatan  m/s '
xlabel 'Banyak Data'
ylabel 'Kecepatan  m/s '
figure %plotting untuk data clustering ke 
plot Arus index , ,'x','color','c' ;
title 'Fuzzy Clustering Kecepatan  m/s '
xlabel 'Banyak Data'
ylabel 'Kecepatan  m/s '
figure %plotting untuk data clustering ke 
plot Arus index , ,'o','color','m' ;

title 'Fuzzy Clustering Kecepatan  m/s '
xlabel 'Banyak Data'
ylabel 'Kecepatan  m/s '
figure %plotting untuk data clustering ke 
plot Arus index , ,'x','color','b' ;
title 'Fuzzy Clustering Kecepatan  m/s '
xlabel 'Banyak Data'
ylabel 'Kecepatan  m/s '
figure %plotting untuk data clustering ke 
plot Arus index , ,'o','color','r' ;
title 'Fuzzy Clustering Kecepatan  m/s '
xlabel 'Banyak Data'
ylabel 'Kecepatan  m/s '
min Arus index ,
 %menentukan niai minimum untuk cluster 
max Arus index ,
 %menentukan niai maksimum untuk cluster 
min Arus index ,
max Arus index ,
min Arus index ,

max Arus index ,
min Arus index ,
max Arus index ,
min Arus index ,
max Arus index ,
min Arus index ,
max Arus index ,
min Arus index ,
max Arus index ,
center;

0

0

0

0

Adapun beberapa syntax yang digunakan untuk metode fuzzy cluster –

mean seperti penjelasan dibawah ini,
[center,U,obj_fcn] = fcm(data,cluster_n) penjelasan dari syntax diatas
adalah menerapkan metode fuzzy c­means untuk himpunandata.
penjelasan input fungsi ini adalah
data : kumpulan data akan dikelompokkan; setiap baris adalah
data sampel titik.
cluster_n : jumlah dari cluster (lebih dari satu)
penjelasan output fungsi ini
center : matriks pusat cluster akhir di mana setiap baris
menyediakan pusat koordinat.
U : matriks partisi fuzzy akhir (atau fungsi keanggotaan matriks)
.
obj_fcn : nilai­nilai fungsi objektif selama iterasi
fcm(data,cluster_n,options) menggunakan variabel argumen tambahan,
opsi, untuk mengontrol parameter clustering, memperkenalkan kriteria
berhenti, mengatur tampilan informasi iterasi, atau keduanya.
options(1): eksponen untuk partisi matriks U (default: 2.0)
options(2): Jumlah maksimum dari iterasi (default: 100)
options(3): jumlah minimum perbaikan (default: 1e­5)
options (4): Tampilan info selama iterasi (default: 1)

Jika ada masuknya opsi NaN, nilai default untuk opsi yang digunakan
sebagai gantinya. Proses clustering berhenti ketika jumlah maksimum

dari iterasi tercapai atau ketika perbaikan fungsi tujuan antara dua
iterasi berturut­turut kurang dari jumlah minimum perbaikan ditentukan.

Pada gambar diatas merupakan contoh distribusi ketinggian
gelombang pada titik pengamatan Laut Jawa dengan menggunakan
fuzzy clustering di matlab. Data terdistribusi pada pusat cluster Center
=1.4299, dan mempunyai nilai  Min =  1.29 dan Max= 1.58 dan
standart deviasi = 0.553258117. Output dari FCM bukan
merupakanfuzzy inference system namun merupakan deretan
pusat cluster dan beberapa derajat keanggotaan untuk tiap­tiap data.
Informasi ini dapat digunakan untuk membangun suatu