BAB III FUZZY C-MEANS. mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai

dokumen-dokumen yang mirip
BAB 3 Interpolasi. 1. Beda Hingga

SEPUTAR IDEAL DARI GELANGGANG POLINOM MIRING AROUND IDEAL OF THE SKEW POLYNOMIAL RING

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam

BAB 2 LANDASAN TEORI

BAB II LANDASAN TEORI

PROSEDUR PENGUJIAN HIPOTESIS SEHUBUNGAN DENGAN AKAR-AKAR LATEN DARI MATRIKS KOVARIANS (Dalam Analisis Komponen Utama)

LEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

Latar Belakang. What is Fuzzy Clustering? Why using Fuzzy Clustering?... Kriteria indeks validitas. Penelitian Terdahulu

Created by Simpo PDF Creator Pro (unregistered version)

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB II LANDASAN TEORI

HUBUNGAN MATRIKS AB DAN BA PADA STRUKTUR JORDAN NILPOTEN

BAB I PANDAHULUAN. 1.1 Latar Belakang

LOCALLY DAN GLOBALLY SMALL RIEMANN SUMS FUNGSI TERINTEGRAL HENSTOCK-DUNFORD PADA [a,b]

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan

BAB 2 LANDASAN TEORI

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t)

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar.

Pemodelan Geographically Weighted Logistic Regression pada Indeks Pembangunan Kesehatan Masyarakat di Provinsi Papua

III. METODOLOGI PENELITIAN

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA

Analisis Sensitivitas

H dinotasikan dengan B H

BAB 2 KAJIAN TEORITIS

adalah nilai-nilai yang mungkin diambil oleh parameter jika H

JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) D-127

I PENDAHULUAN II LANDASAN TEORI

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal

UKURAN DASAR DATA STATISTIK

Perbandingan Algoritma Fuzzy C-Means (FCM) Dan Algoritma Mixture Dalam Penclusteran Data Curah Hujan Kota Bengkulu

Identifikasi Sistem Nonlinier Dengan Menggunakan Recurrent Neural Network Dan Algoritma Dead-Zone Kalman Filter

STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

PERBANDINGAN ESTIMATOR KERNEL DAN ESTIMATOR SPLINE DALAM MODEL REGRESI NONPARAMETRIK

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teorema-teorema

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

Kajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G), dan Somers ( d

BAB 2 LANDASAN TEORI

BAB III TEORI PERRON-FROBENIUS

titik tengah kelas ke i k = banyaknya kelas

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB II KAJIAN PUSTAKA

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB II PEMODELAN STRUKTUR DAN ANALISIS DINAMIK

JEMBATAN PADA GRAF FUZZY INTUITIONISTIC

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

BAB III METODE PENELITIAN

8.4 GENERATING FUNCTIONS

Materi Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat

MODUL BARISAN DAN DERET

BAB 2. Tinjauan Teoritis

METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l k

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di:

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI MALUKU TAHUN 2010 DENGAN MENGGUNAKAN REGRESI POISSON

STATISTIKA ELEMENTER

Digraf eksentris dari turnamen kuat

METODE PENELITIAN. Populasi dari penelitian ini adalah seluruh peserta didik kelas VII semester genap

Analisa Probabilistik Algoritma Routing pada Jaringan Hypercube

Prosiding Seminar Nasional Matematika dan Pembelajarannya. Jurusan Matematika, FMIPA UM. 13 Agustus 2016

Model Persediaan dengan Batasan Kapasitas Gudang dan Modal pada Kasus Backorder dan Lost Sales

PENDUGAAN FUNGSI KEUNTUNGAN DAN SKALA USAHA BUDIDAYA PEMBESARAN IKAN BANDENG DI KECAMATAN PALANG KABUPATEN TUBAN JAWA TIMUR

Pemodelan Faktor-Faktor yang Mempengaruhi Angka Morbiditas di Jawa Timur Menggunakan Regresi Nonparametrik Spline

E ax by c ae X be Y c. 6.1 Pengertian Umum

UKURAN GEJALA PUSAT DAN UKURAN LETAK

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF

EVALUASI OPERASI SISTEM TENAGA LISTRIK 5OO kv JAWA BALI MENGGUNAKAN PARTICLE SWARM OPTIMIZATION

LANDASAN TEORI. x R, untuk suatu fungsi f : R [0, )

Uji Median Pengaruh Utama dan Interaksi dalam Percobaan Berfaktor

BAB II LANDASAN TEORI

BAB III T 2 HOTELLING PADA DATA SUBGRUP

PENAKSIR RANTAI RASIO-CUM-DUAL UNTUK RATA-RATA POPULASI PADA SAMPLING GANDA

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

Ir. Tito Adi Dewanto

Pemodelan Angka Buta Huruf di Provinsi Sumatera Barat Tahun 2014 dengan Geographically Weighted Regression

Pemodelan Kondisi Jaringan Listrik PT. PLN (Persero) Area Surabaya Selatan dengan Analisis Regresi Logistik Ordinal

Functionally Small Riemann Sums Fungsi Terintegral Henstock-Dunford pada [a,b]

BAB II TINJAUAN PUSTAKA

Regresi Linier Sederhana Definisi Pengaruh

Estimator Robust S Pada Model Seemingly Unrelated Regression. The S Robust Estimator in Seemingly unrelated Regression Model

BAB II KAJIAN TEORI. tertentu (Martono, 1999). Sistem bilangan real dinotasikan dengan R. Untuk

Laporan Penelitian. Analisis Ketunggalan Polinomial Interpolasi untuk Aproksimasi Fungsi

ANALISIS INFLASI KOTA SEMARANG MENGGUNAKAN METODE REGRESI NON PARAMETRIK B-SPLINE

PENANGANAN MISSING DATA PADA RANCANGAN BLOK RANDOM LENGKAP

Taksiran Distribusi Aggregate Loss Asuransi Mobil Menggunakan Fast Fourier Transform (FFT) dalam Menentukan Premi Murni

PENELUSURAN KARAKTERISTIK PERILAKU KONSUMEN DENGAN METODE AUTOMATIC INTERACTION DETECTION (AID)

GARIS DAN BIDANG DALAM RUANG EUCLID BERDIMENSI N

PENDEKATAN METODE SERVQUAL DAN KLASTER FUZZY K-MEANS UNTUK MENGANALISIS INDEKS KEPUASAN NASABAH BANK X

dan µ : rata-rata hitung populasi x : rata-rata hitung sampel

PENDETEKSIAN HETEROSKEDASTISITAS DENGAN PENGUJIAN KORELASI RANK SPEARMAN DAN TINDAKAN PERBAIKANNYA

ANALISIS MASALAH GENERATOR DARI POSSIBLE DAN UNIVERSAL EIGENVECTOR PADA MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS

Lam piran 1 K uesioner

METODE PRIMAL AFFINE-SKALING UNTUK MASALAH PROGRAM LINEAR

Transkripsi:

BB III FUZZY C-MENS 3. Fuzzy Klasterg Fuzzy lasterg erupaa salah satu etode aalss laster dega epertbaga tgat eaggotaa yag eaup hpua fuzzy sebaga dasar pebobota bag pegelopoa (Bezde,98). Metode erupaa pegebaga dar etode parttog data dega pebobota fuzzy. Keuggula utaa fuzzy lasterg adalah dapat ebera hasl pegelopoa bag obje-obje yag tersebar tda teratur, area ja terdapat suatu data yag peyebaraya tda teratur aa terdapat euga suatu tt data epuya sfat atau araterst dar laster la. Sehgga perlu adaya pebobota eederuga tt data terhadap suatu laster. Seara ateats, asalah fuzzy lasterg telah druusa oleh Bezde (98) dala betu optas edala. Terdapat beberapa hal yag perlu detahu sebelu elaua fuzzy lasterg (Kusuadew, 004) :. Uura fuzzy Uura fuzzy eujua derajat eabura dar hpua fuzzy. Seara uu uura eabura dapat dtuls sebaga suatu fugs: f : P( X ) R 3

4 dega P(X) adalah hpua seua subset dar X da f() adalah suatu fugs yag eetaa subset e araterst derajat eaburaya. Dala eguur la eabura, fugs f harus egut hal-hal sebaga berut: a. f() = 0 ja haya ja adalah hpua rsp. b. Ja <B, aa f()<f(b), d aa <B berart B lebh abur dbadg, dega ata la lebh taja dbadg B. Relas etajaa <B ddefsa dega: [ x] [ x], ja [ x] 0, 5 B [ x] [ x], ja [ x] 0, 5 B ; da (3.) B (3.) B. f() aa eapa asu ja da haya ja bear-bear abur seara asu. Tergatug pada terpretas derajat eabura, la fuzzy asal basaya terjad pada saat [ x] = 0, 5 utu setap x.. Ides Keabura Ides eabura adalah jara atara suatu hpua fuzzy dega hpua rsp C yag terdeat. Hpua rsp C terdeat dar hpua fuzzy dotasa sebaga: [ x] = 0, ja [ x] 0, 5 C [ x] =, ja [ x] 0, 5 C ; da (3.3) (3.4)

5 da tga uura yag palg serg dguaa dala ear des eabura, yatu: a. Jara Hag C atau (3.5) f() = [ x] [ x] f() = [ [ x], [ ] b. Jara Euldea x (3.6) { } f() = [ [ x] [ ]. Jara Mows C x (3.7) { } C (3.8) f() = [ x] [ x] 3. Fuzzy C-Meas Dala te lasterg data, terdapat beberapa algorta, salah satuya adalah Fuzzy C-Meas (FCM). Fuzzy C-Meas erupaa suatu te pegelopoa data d aa eberadaa tap-tap data dala suatu laster dbobot oleh derajat eaggotaa dar suatu hpua fuzzy sehgga dapat egatas asalah tupag tdh (overlappg) yag terjad pada suatu data. lgorta Fuzzy C-Meas lasterg pertaa al dpereala oleh Du (974), euda debaga oleh Bezde (98), euda drevs oleh Roube (98), Trauwert (985), Goth da Geva (989), Gu da Gubusso (990), Xe da Be (99). Nau, algorta FCM dar Bezde yag palg baya dguaa, sehgga dala Tugas hr peuls egguaa algorta Fuzzy C-Meas dar Bezde.

6 Kosep dasar Fuzzy C-Meas, pertaa al adalah eetua pusat laster yag aa eada loas rata-rata utu setap laster. Pada ods awal, pusat laster ash belu aurat. Setap tt data el derajat eaggotaa utu setap laster. Dega ara eperba pusat laster da derajat eaggotaa setap tt data seara berulag, aa aa dlhat bahwa pusat laster aa bergera euju loas yag tepat. Perulaga ddasara pada sas fugs objetf yag eggabara jara dar tt data yag dbera e pusat laster yag terbobot oleh derajat eaggotaa tt data dar hpua fuzzy tersebut. 3.. sus Fuzzy C-Meas Msala X suatu hpua data berbetu atrs beruura p ( = julah sapel yag ada, p = bayaya varabel) da x j = data sapel e- ( =,, 3,, ), varabel e-j (j =,, 3,, p) dyataa dala betu otas atrs sebaga berut: X x x... x j... x p x x... x j... x p M M M M M M =. x x M xj M xp M M M M M M x x... xj... xp Data dala atrs X tersebut aa d elopoa e dala ( =,, 3,, ) buah laster yag epuya derajat eaggotaa sebaga berut.

7 = M M K K O K M da el asus fuzzy lasterg sebaga berut:. Mel fugs objetf: t = ( ) (3.9) = = P x v d aa: x = observas e- v = pusat laster e- = derajat eaggotaa hpua fuzzy = julah laster = julah observas.. Mel la derajat eaggotaa utu data e- d laster e- adalah: [ 0,], ( ; ) 3. Mel fugs batasa (ostrat): (3.0) = (3.) = Sehgga 0< <. = 3.. Fuzzess Paraeter Fuzzess paraeter atau basa dsebut pagat pebobot erupaa salah satu paraeter yag dperhata area berpegaruh seara sgfa pada

8 e-fuzzy-a dar suatu hasl pegelopoa. Ides eabura dotasa sebaga yag berla [, ). Keta, la eabura ejad au da ederug tegas sehgga algorta Fuzzy C-Meas overge pada peruua -eas. Keta, la eabura aa ejad sea abur (Klr, 995). Berdasara peelta yag dlaua oleh Klawo (00), la yag serg dpaa da daggap yag taja adalah =. = = = 0 Gabar 3. Fuzzess Paraeter. 3..3 Paraeter Fuzzy C-Meas Pada prspya algorta Fuzzy C-Meas eua suatu fugs objetf. Dala eua suatu fugs objetf dperlua suatu etode yag dapat eua fugs tersebut. Metode Lagrage ultpler (pegal Lagrage) basa dguaa utu egoptala suatu fugs objetf yag dbatas oleh fugs batasa (ostrat) da pegal Lagrage yatu λ, euda dturua terhadap paraeter-paraeterya da dsaaa dega 0. Dega Lagrage ultpler aa d optua fugs objetf utu ear paraeter derajat eaggotaa da pusat laster (etrod).

9 Msala terdapat suatu fugs yag aa doptua yatu f ( x, y) dega fugs batasa (ostrat) g( x, y) = ost. Kods optu dar f ( x, y ) dperoleh pada saat f = λ g. Dega peurua fugs Lagrage terhadap asg-asg paraeter,, F( x, y, λ) = 0, aa dapat dperoleh x y λ ods f = λ g. Betu uu Lagrage ultpler adalah : F( x, y, λ) = f ( x, y) + λ( g( x, y) ost) (3.) Dala fuzzy lasterg, ta epuya P = ( ) x v t = = sebaga fugs yag aa dua utu ear paraeter da v. Dega fugs batasa yatu berut: = =. Maa fugs Lagrage utu FCM adalah sebaga L FCM = ( ) d + λ = = = = (3.3) Keuda aa dar ods optu utu v. L v FCM = 0 (3.4) ( ) x v + λ = = = = = 0 v (3.5) = ( ) = 0 = v x v (3.6) ( ) ( x v ) = 0 (3.7) =

30 v = = (3.8) x ( ) + ( ) = 0 = x = = (3.9) v ( ) ( ) v = = = x ( ) ( ) (3.0) Sedaga utu ear ods optu utu, aa lebh udah ja dsala x v = d sebaga berut : L FCM = 0 (3.) ( ) x v + λ = = = = = 0 (3.) ( ) d λ 0 + = (3.3) ( ) d = λ (3.4) ( ) d λ = (3.5) λ = d (3.6) Persaaa tersebut ash egadug pegal Lagrage ( λ ), sehgga harus dbetu sedea sehgga tda egadug pegal Lagrage elalu fugs batasaya.

3 = (3.7) = λ = l= dl (3.8) = = λ = l= dl (3.9) Substtus persaaa (3.9) e persaaa (3.6) =. d l= dl = l= l d d (3.30) (3.3) 3..4 lgorta Fuzzy C-Meas lgorta Fuzzy C-Meas adalah sebaga berut:. Iput data yag aa dlaster, yatu berupa atrs beruura p ( = julah observas, p = bayaya varabel) da x j = data observas e ( =,, 3,, ), varabel e-j (j =,, 3,, p).. Tetua: Julah laster = ; Fuzzess Paraeter = ;

3 Galat (error) terel yag dharapa = ε ; Fugs objetf awal = P = 0 0 ; Maxu Iteras = MaxIter. 3. Bagta blaga rado, =,, 3,, ; =,, 3,, ; sebaga elee-elee atrs parts awal. 4. Htug pusat laster e-: V j, dega =,, 3,, ; da j=,, 3,, p. 5. Htug fugs objetf pada teras e-t, P t. 6. Htug perubaha atrs parts. 7. Ce ods berhet: Ja ( < ε ) P atau ( MaxIter ) t P t t > aa berhet; Ja tda, aa ulag lagah e-4 dega t = t+. Dar algorta tersebut dapat dspula bahwa lagah pertaa yag dlaua adalah eetua atrs derajat eaggotaa seara aa yag euda djada aua terhadap perhtuga pusat laster. Pada ods awal, pusat laster ash belu aurat, yag dtujua dega besarya la selsh fugs objetf. Sehgga dlaua lagah teratf dega ara eperba pusat laster. Dega lagah teratf, dapat dlhat bahwa pusat laster bergera euju loas yag tepat. Lagah dlaua berdasara sas fugs objetf. Output dar Fuzzy C-Meas erupaa atrs pusat laster beruura p da atrs derajat eaggotaa utu tap-tap data berbetu.

33 Pegelopoa laster dapat dlhat dar edua output. Matrs pusat laster eujua pusat laster utu tap-tap varabel yag daat dala setap lasterya. Matrs derajat eaggotaa eujua eederuga suatu data utu asu e dala laster tertetu. Sea besar la derajat eaggotaaya, aa sea besar peluag data tersebut asu e dala laster tertetu.