Ensiklopedia

Fuzzy C-Means (FCM)
Fuzzy C-means (FCM), atau dikenal juga sebagai Fuzzy ISODATA, merupakan salah satu metode klastering yang merupakan bagian dari metode Hard K-means. FCM menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1. Tingkat keberadaan data dalam suatu kelas atau cluster ditentukan oleh derajat keanggotaannya. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981.

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 data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan nilai keanggotaan tiap-tiap data secara berulang, maka dapat dilihat bahwa pusat cluster akan menuju lokasi yang ‘tepat’. Perulangan ini didasarkan pada minimasi fungsi obyektif.

Secara umum, algoritma FCM dapat diberikan sebagai berikut:
1. Tentukan :
a. Matriks X berukuran n x m, dengan n = jumlah data yang akan di- cluster dan m = jumlah variable (kriteria).
b. Jumlah cluster yang akan dibentuk (C≥2)
c. Pangkat pembobot (w > 1)
d. Maksimum iterasi
e. Kriteria penghentian (ε= nilai positif yang sangat kecil)

Permasalahan yang terkadang timbul pada proses klaterisasi FCM konvensional adalah dalam melakukan proses pencarian nilai minimum dari suatu fungsi objektif tidak mencapai nilai yang optimal hal ini dikarenakan proses pencarian titik optimum menggunakan metode optimasi klasik yaitu dengan menggunakan metode local search. Metode pencarian dengan local search hanya melakukan pencarian data dengan melihat data tetangga terdekat, sehingga memungkinkan nilai optimum yang dicari tidak dapat dicapai sebab telah mencapai suatu nilai optimum lokal sehingga matriks partisi tidak mengalami perubahan. Dengan demikian dalam mengaplikasikan metode ini harus diketahui secara pasti terlebih dahulu jumlah kluster yang akan dibuat dari sebaran data yang diberikan serta inisialisasi awal pusat kluster. Sehingga performance dari FCM sangat tergantung pada pemilihan nilai pusat cluster awal. Untuk itu dibutuhkan suatu algoritma optimasi yang menggunakan metode pencarian secara paralel sehingga masalah optimum lokal pada FCM dapat diatasi.

3.26 Copyright (C) 2008 Compojoom.com / Copyright (C) 2007 Alain Georgette / Copyright (C) 2006 Frantisek Hliva. All rights reserved."