Fuzzy C-Means

Fuzzy C-Means. Fuzzy C-Means adalah suatu teknik peng-cluster-an yang mana
keberadaannya tiap-tiap titik data dalam suatu cluster ditentukan oleh derajat keanggotaan.
Tingkat keberadaan data dalam suatu kelas atau cluster ditentukan oleh derajat keanggotaannya.
Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981.
Diberikan himpunan data
=

{ A1 , A 2 , , A n }

X ={x 1 , x 2 , , x n }

. Partisi dari himpunan

dinotasikan

, yang memenuhi :

Ai ( x k )=1
i=1

untuk semua

k Nn

, dan

0< A i ( x k ) =1< n
k=1

untuk semua

i N c

Baris ke

, dengan c adalah bilangat bulat postif.

dalam matriks partisi mengandung level keanggotaan

terhadap

Ai

Nilai level keanggotaan dalam setiap kolom matriks partisi yang berarti nilai keanggotaan data
dalam setiap kelompok akan selalu berjumlah 1. Untuk memecahkan masalah fuzzy clustering
diperlukan suatu formula performance index. Biasanya performance index ini berdasarkan pusat
cluster. Pusat cluster dapat diperoleh dari persamaan :

[ A i ( x k ) ]m x k

v i= k=1n

[ Ai ( x k ) ]m
k=1

i N c

untuk semua

m adalah bilangan real yang lebih besar dari 1 Performance

, dimana

index dari yang dinotasikan dengan

J m( )

didasarkan pada minimasi fungsi objektif yang

diformulasikan dalam persamaan :

n

J m ( ) = [ Ai ( x k ) ] x k v i
m

k=1 i=1

dimana

x k v i

adalah jarak antara

xk

dan

vi

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 pusat cluster akan bergerak menuju lokasi yang tepat. Perulangan
ini didasarkan pada minimasi fungsi obyektif 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

Step 1 : Tentukan:
a. Jumlah cluster (c)
b. Pangkat ( m )
c. Maksimum iterasi
d. Error terkecil yang diharapkan ( )

e. Fungsi objektif awal (

(0)

f. Iterasi awal (t)

Misal t = 0. Inisialisasi partisi

(0) . Tentukan nilai

(t)
(t )
Step 2 : Hitung pusat cluster v 1 , , v c dari

(t) adalah fungsi objektif

dengan

(t +1)

Step 3 : Update
i N c

dengan aturan :

X , jika

x kv(ti )

> 0 untuk semua

didefinisikan :

j=1

1
(t ) 2
m 1
i

x kv
2
x kv (tj )

jika

xk

[( )]
c

A (it +1 )( x k )=

(t) dan tentukan nilai m

x kv(ti )

= 0 untuk

i I N c

, maka

( t +1 )

Ai

(x k ) didefinisikan :

A(it +1) ( x k ) =1
i I

dan didefinisikan
Step 4 : Bandingkan

(t)

A (it +1 ) ( x k )=0 untuk i N c I

dengan

(t +1) . Jika

| (t +1) (t )|

maka berhenti. Jika

tidak, t = t+1 ulangi step 2.

Pada step 4

| (t +1) (t )|

diartikan sebagai jarak antara

(t +1) dan

(t) di

Rnxc .

Daftar Pustaka
Klir,G.J and Yuan,Bo [1995], Fuzzy Sets And Fuzzy Logic Theory and Applications,
Prentice Hall, N.J 07458.
Kusrini dan Lutfi, E.T., 2009,Algoritma Fuzzy C-Means,Andi Offset,Yogyakarta.
Kusumadewi, Sri dkk. 2006. Fuzzy Multi-Attribute Decision Making. Yogyakarta: Graha Ilmu.
http://sariberbagiilmu.blogspot.com/2011/05/fuzzy-c-means.html : diakses pada 9 Oktober 2015