1 / 14

Fuzzy Clustering

Fuzzy Clustering. Sistem Berbasis Fuzzy Materi 5. Eko Prasetyo Teknik Informatika Universitas Muhammadiyah Gresik 2012. Konsep Clustering. Klasifikasi melakukan pengelompokan data dimana setiap data sudah ada label kelasnya

demi
Télécharger la présentation

Fuzzy Clustering

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Fuzzy Clustering SistemBerbasis Fuzzy Materi 5 Eko Prasetyo TeknikInformatika UniversitasMuhammadiyah Gresik 2012

  2. Konsep Clustering • Klasifikasimelakukanpengelompokan data dimanasetiap data sudahada label kelasnya • Shinggapekerjaanberikutnyaadalahmembuat model untukdapatmelakukanprediksipada data baru yang kemudianmunculuntukdiketahuikelasnya. • Clustering (pengelompokan) melakukanpemisahan/pemecahan/segmentasi data kedalamsejumlahcluster (kelompok) menurutkarakteristiktertentu yang diinginkan. • Dalampekerjaan clustering label darisetiap data belumdiketahui, • Diharapkannantinyadapatdiketahuikelompok data untukkemudiandiberikan label sesuaikeinginan. • Bidangpenerapanteknik clustering: kedokteran, kesehatan, psikologi, hukum, statistik, astronomi, klimatologidansebagainya. • Kedokteran, teknik clustering dapatdigunakanuntukmengelompokkanjenis-jenispenyakitberbahayaberdasarkankarakteristik / sifat-sifatpenyakitpasien. • Kesehatan, dapatdigunakanuntukmengelompokkanjenis-jenismakananberdasarkankandungankalori, vitamin, protein.

  3. Konsep Clustering Data asli • Cluster analysis adalahpekerjaan yang mengelompokkan data (obyek) yang didasarkanhanyapadainformasi yang ditemukandalam data yang menggambarkanobyektersebutdanhubungandiantaranya (Tan, 2006). • Tujuan: agar obyek-obyek yang bergabungdalamsebuahkelompok (cluster) merupakanobyek-obyek yang mirip (atauberhubungan) satusama lain danberbeda (atautidakberhubungan) denganobyekdalamkelompok yang lain. • Lebihbesarkemiripannya (atauhomogenitasnya) dalamkelompokdanlebihbesarperbedaannyadiantarakelompok yang lain, konsepini yang dibahasdalam clustering. Dua cluster Tiga cluster Empat cluster

  4. Fuzzy C-Means • Clustering denganmetode Fuzzy C-Means (FCM) didasarkanpadateorilogika fuzzy. • Dalamteori fuzzy • Keanggotaansebuah data tidakdiberikannilaisecarategasdengannilai 1 (menjadianggota) dan 0 (tidakmenjadianggota) melainkandengansuatunilaiderajatkeanggotaan yang jangkauannilainya 0 sampai 1. • Nilaikeanggotaansuatu data dalamsebuah cluster: • Menjadi 0 ketikasamasekalitidakmenjadianggota cluster, • Menjadi 1 ketikamenjadianggotasecarapenuhdalamsuatu cluster. • Nilaikeangotaannyaantara 0 dan 1. • Semakintingginilaikeanggotaannyamakasemakintinggiderajatkeanggotaannya, dansemakinkecilmakasemakinrendahderajatkeanggotaannya. • Kaitannyadengan K-Means, FCM merupakanversi fuzzy dari K-Means denganbeberapamodifikasi yang membedakannyadengan K-Means.

  5. Fuzzy C-Means • Asumsikanadasejumlah data dalam data set (X) yang berisim data: x1, x2, ..., xm, dinotasikanX = { x1, x2, ..., xn }, • dimanasetiap data mempunyaifiturndimensi: xi1, xi2, …, xin, dinotasikanxi = { xi1, xi2, …, xin }. • Adasejumlah cluster Cdengancentroid: c1, c2, …, ck, dimanakadalahjumlah cluster. • Setiap data mempunyaiderajatkeanggotaanpadasetiap cluster, • dinyatakandenganuij, dengannilaidiantara 0 dan 1, • imenyatakan data xidanjmenyatakan cluster cj. • Jumlahnilaiderajatkeanggotaansetiap data xiselalusamadengan 1, diformulasikan: • Untuksetiap cluster cj, berisi paling sedikitsatu data dengannilaikeanggotaantidaknol, tapitidakberisiderajatsatupadasemua data, diformulasikan:

  6. Fuzzy C-Means • Dalam FCM, setiap data jugamenjadianggotapadasetiap cluster denganderajatkeanggotaanuij. • Nilaikeanggotaan data xipada cluster vj, diformulasikan: • Parameter cjadalahcentroid cluster ke-j, D() adalahjarakantara data dengancentroid. • Sedangkanwadalah parameter bobotpangkat (Weighting Exponent) yang diperkenalkandalam FCM, tidakadanilaiketetapan, biasanyanilaiw > 1, danumumnyadiberinilai 2. • Untukmenghitungcentroidpada cluster cipadafiturj, digunakan formula: • Parameter M adalahjumlah data, wadalahbobotpangkat, danuiladalahnilaiderajatkeanggotaan data xlke cluster ci. • Fungsiobyektif yang digunakan:

  7. Algoritma FCM • Tentukaninisialisasi: • jumlah cluster, bobotpangkat, iterasimaksimal, threshold perubahanfungsiobyektif. • Berikannilaikeanggotaansetiap data padasetiap cluster secaraacak. • Hitungcentroid/rata-rata setiap cluster • Lakukanlangkah 5 dan 6, jika: • perubahannilaipadafungsiobyektifyang digunakandiatasnilaithreshold yang ditentukan, atau • iterasimaksimalbelumtercapai, atau • perubahannilaicentroidada yang diatasnilaithreshold yang ditentukan, atau • Hitungnilaikeanggotaanmasing-masing data kesemuacentroid. • Hitungcentroid/rata-rata setiap cluster.

  8. Contoh • Dataset dengan 2 fitur: X dan Y. • Jumlah record data = 6 • Di-cluster denganFCM: C=2. • Bobotpangkat (w) = 2. • Threshold perubahannilaifungsiobyektif = 0.01

  9. Inisialisasi C = 2 w = 2 MaxIter = 10 T = 0.01 pangkat = -2/(w-1) = -2

  10. Iterasi 1 C = 2 w = 2 MaxIter = 10 T = 0.01 pangkat = -2/(w-1) = -2

  11. Iterasi 2 C = 2 w = 2 MaxIter = 10 T = 0.01 pangkat = -2/(w-1) = -2

  12. Iterasi 3 C = 2 w = 2 MaxIter = 10 T = 0.01 pangkat = -2/(w-1) = -2

  13. Iterasi 4 C = 2 w = 2 MaxIter = 10 T = 0.01 pangkat = -2/(w-1) = -2

  14. ANY QUESTIONS ?

More Related