Scribd Logo
Unggah

Selamat datang di Scribd!

  • 38 tayangan

    Tugas Fuzzy C-Means

    Diunggah oleh

    tigris nainggolan
    Fuzzy C-Means adalah teknik pengelompokan data dimana setiap data memiliki derajat keanggotaan terhadap beberapa kelompok. Algoritmanya menghitung derajat keanggotaan dan pusat kelompok secara iteratif hingga konvergen. Teknik ini mampu menangani tumpang tindih antar kelompok dan fleksibel namun komputasinya intensif dan sensitif terhadap parameter.

    Hak Cipta:

    © All Rights Reserved
    Unduh sebagai PPTX, PDF, TXT atau baca online dari Scribd

    Tugas Fuzzy C-Means

    Diunggah oleh

    tigris nainggolan
    38 tayangan10 halaman
    Fuzzy C-Means adalah teknik pengelompokan data dimana setiap data memiliki derajat keanggotaan terhadap beberapa kelompok. Algoritmanya menghitung derajat keanggotaan dan pusat kelompok secara iteratif hingga konvergen. Teknik ini mampu menangani tumpang tindih antar kelompok dan fleksibel namun komputasinya intensif dan sensitif terhadap parameter.

    Judul Asli

    Tugas Fuzzy C-means(1)

    Hak Cipta

    © © All Rights Reserved

    Format Tersedia

    PPTX, PDF, TXT atau baca online dari Scribd

    Apakah menurut Anda dokumen ini bermanfaat?

    Apakah konten ini tidak pantas?

    Fuzzy C-Means adalah teknik pengelompokan data dimana setiap data memiliki derajat keanggotaan terhadap beberapa kelompok. Algoritmanya menghitung derajat keanggotaan dan pusat kelompok secara iteratif hingga konvergen. Teknik ini mampu menangani tumpang tindih antar kelompok dan fleksibel namun komputasinya intensif dan sensitif terhadap parameter.

    Hak Cipta:

    © All Rights Reserved
    Unduh sebagai PPTX, PDF, TXT atau baca online dari Scribd
    Unduh sebagai pptx, pdf, atau txt
    38 tayangan10 halaman

    Tugas Fuzzy C-Means

    Diunggah oleh

    tigris nainggolan
    Fuzzy C-Means adalah teknik pengelompokan data dimana setiap data memiliki derajat keanggotaan terhadap beberapa kelompok. Algoritmanya menghitung derajat keanggotaan dan pusat kelompok secara iteratif hingga konvergen. Teknik ini mampu menangani tumpang tindih antar kelompok dan fleksibel namun komputasinya intensif dan sensitif terhadap parameter.

    Hak Cipta:

    © All Rights Reserved
    Unduh sebagai PPTX, PDF, TXT atau baca online dari Scribd
    Unduh sebagai pptx, pdf, atau txt
    Anda di halaman 1dari 10

    PENAMBANGAN DATA

    Fuzzy C Means

    Dosen Pengampu : Pak Iwan Tri Riyadi Yanto

    PRESENTED BY Maria Tigris Nainggolan


    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 C-Means (FCM) adalah suatu teknik pengclusteran data yang
    mana keberadaan tiap-tiap titik data dalam suatu cluster
    ditentukan oleh derajat keanggotaan.
    • Output dari FCM bukan merupakan fuzzy inference system, namun
    merupakan deretan pusat cluster dan beberapa derajat
    keanggotaan untuk tiap-tiap titik data. Informasi ini dapat
    digunakan untuk membangun suatu fuzzy inference system.
    • Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun
    1981.
    • Fuzzy c-means clustering merupakan jenis clustering yang setiap titik datanya dapat dimiliki
    lebih dari satu cluster .

    • Hal ini mirip dengan algoritma k-means, namun dengan perbedaan utama pada fuzzy c-
    means, setiap titik data dapat memiliki keanggotaan pada beberapa cluster.

    • Dalam pengelompokan fuzzy, setiap titik data dapat memiliki keanggotaan pada beberapa
    kluster. Dengan melonggarkan definisi koefisien keanggotaan dari 1 atau 0, nilai-nilai ini
    dapat berkisar dari nilai apa pun dari 1 hingga 0[2]. Pusat massa suatu klaster adalah rata-
    rata semua titik, yang diberi bobot berdasarkan derajat kepemilikannya terhadap klaster
    tersebut
     Konsep dasar FCM, 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 pusat cluster akan bergerak
    menuju lokasi yang tepat.
     Perulangan ini didasarkan pada minimisasi fungsi
    obyektif yang menggambarkan jarak dari titik data yang
    diberikan ke pusat cluster yang terbobot oleh derajat
    keanggotaan titik data tersebut.
    ALGORITMA FUZZY C-MEANS
    Menentukan Jumlah
    Cluster (c), weighted Membangkitkan
    Input Data yang exponent (w=2),
    akan di Cluster,
    bilangan random
    maksimum iterasi sebagai elemen
    berupa matriks (100), error terkecil (𝜀
    berukuran n x m matriks partisi awal
    = 10-6 ), fungsi objektif
    awal (P0=0), dan U, berukuran n x c
    iterasi awal (t=1)

    Menentukan kriteria Menghitung derajat


    penghentian iterasi, keanggotaan setiap Menghitung centroid dari
    apabila 𝑈 𝑙 − 𝑈 (𝑙−1) data pada setiap masing – masing
    kelompok menggunakan
    < 𝜀 maka proses cluster dengan persamaan
    berhenti jangkauan nilai 0-1
    Prinsip-prinsip Fuzzy C-Means :
    •Pemilihan Jumlah Cluster (K): Langkah pertama dalam menggunakan FCM adalah menentukan jumlah
    cluster (K) yang diinginkan untuk data Anda. Hal ini dilakukan sebelum memulai proses clustering.

    •Inisialisasi Cluster: Inisialisasi cluster awal dilakukan dengan cara menghasilkan K centroid awal untuk
    setiap cluster. Inisialisasi dapat dilakukan secara acak atau dengan metode lain, seperti menggunakan K-
    Means konvensional.

    •Perhitungan Derajat Keanggotaan: FCM menghitung derajat keanggotaan setiap data point dalam setiap
    cluster. Derajat keanggotaan ini berada dalam rentang antara 0 dan 1, di mana 0 berarti data point tidak
    termasuk dalam cluster tersebut, dan 1 berarti data point sepenuhnya termasuk dalam cluster tersebut.
    Perhitungan derajat keanggotaan menggunakan persamaan berikut:
    Di mana:

    •μijμij​adalah derajat keanggotaan data point ii dalam cluster jj.


    •dijdij​adalah jarak antara data point ii dan centroid cluster jj.
    •dikdik​adalah jarak antara data point ii dan centroid cluster kk.
    •mm adalah parameter fuzziness yang biasanya diatur antara 1 dan 2.
    Item 2
    10.7%

    Item 5

    • Perhitungan Centroid Baru: Setelah derajat keanggotaan dihitung, centroid baru untuk 28.6%

    setiap cluster dihitung dengan memperhitungkan derajat keanggotaan data point.


    Perhitungan ini menggunakan persamaan berikut:

    Item 3
    33.9%

    Di mana:
     cjcj​adalah centroid baru dari cluster jj.
     xixi​adalah data point ii.
     nn adalah jumlah data points dalam dataset. Item 4
    26.8%
     mm adalah parameter fuzziness.

    • Iterasi: Langkah 3 dan 4 diulang sampai kondisi berhenti terpenuhi. Kondisi berhenti bisa
    berupa jumlah iterasi maksimum yang telah dicapai atau ketika perubahan dalam derajat
    keanggotaan atau posisi centroid sangat kecil.
    • Hasil Clustering: Hasil akhir dari FCM adalah penempatan data point ke dalam cluster
    bersamaan dengan derajat keanggotaan setiap data point dalam cluster-cluster tersebut.

    Back to Agenda
    MetodeFuzzy
    Kelebihan Proteksi Data
    C-Means

    1 Fleksibilitas dalam Klastering

    2 Robust Terhadap Noise

    Mampu Menangani Cluster Yang Beririsan


    3
    Kelemahan Fuzzy C-Means

    1.Sensitif Terhadap Pemilihan Parameter


    2. Komputasi yang Intensif:
    3. Inisialisasi Cluster Awal yang Penting.
    4. Tidak Terlalu Interpretable
    5. Perlu Pengetahuan Domain
    Sekian
    dan
    Terimakasih

    Anda mungkin juga menyukai