Konsep Metode Fuzzy C-Means Clustering

Metode Fuzzy C-Means Clustering pertama kali dikenalkan oleh Jim Bezdek pada tahun 1981 (Jain dkk, 1999). Fuzzy C-Means adalah salah satu teknik pengelompokkan data yang mana keberadaan tiap titik data dalam suatu kelompok (cluster)ditentukan oleh derajat keanggotan. Metode Fuzzy C-Means termasuk metode supervised clustering dimana jumlah pusat cluster ditentukan di dalam proses clustering. Algoritma dari fuzzy c-means adalah sebagai berikut (Yan, 1994) :

Input Data

Input data yang akan dikelompokkan, yaituX, berupa matrix berukuran n x m (n=jumlah sampel data, m=atribut setiap data). Xij data sampel ke-i (i=1,2,…n), atribut ke-j (j=1,2,..m).

Tentukan Jumlah Cluster

Tentukan jumlah cluster (c), pangkat untuk matriks partisi (w), maksimum iterasi (MaxIter), error terkecil yang diharapkan (ξ), fungsi objektif awal (Po=0), dan iterasi awal (t=1).

Bangkitkan Nilai Random

Bangkitkan bilangan random η_ik, i=1,2,…n; k=1,2,…c sebagai elemen matrik partisi awal U.

Hitung Pusat Cluster ke-k

Hitung pusat cluster ke-k: , dengan k=1,2,…,c; dan j=1,2,…,m, menggunakan persamaan berikut  (Yan, 1994) :dengan :
V_kj      = pusat cluster ke-k untuk atribut ke-j
η_ik      = derajat keanggotaan untuk data sampel ke-i pada cluster ke-k
x_ij     = data ke-i, atribut ke-j

Hitung Fungsi Objektif

Hitung fungsi objektif pada iterasi ke-t menggunakan persamaan berikut (Yan, 1994)  :
dengan:
V_kj       = pusat cluster ke-k untuk atribut ke-j
η_ik       = derajat keanggotaan untuk data sampel ke-i pada cluster ke-k
x_ij      = data ke-i, atribut ke-j
P_t      = fungsi objektif pada iterasi ke-t

Hitung Perubahan Matriks

Hitung perubahan matriks partisi menggunakan persamaan berikut (Yan, 1994)  :

Dengan I = 1,2,…,n; dan k=1,2,…c.
Dimana :
V_kj      = pusat cluster ke-k untuk atribut ke-j
η_ik      = derajat keanggotaan untuk data sampel ke-i pada cluster ke-k
x_ij     = data ke-i, atribut ke-j

Cek Kondisi berhenti

Jika :
ATAU

maka berhenti. Jika tidak: t=t+1, ulangi langkah ke-4.