Selasa, 14 Juni 2011

Fuzzy Clusterring

1. Definisi :
Clustering adalah suatu metode pengelompokan berdasarkan ukuran kedekatan(kemiripan).Clustering beda dengan group, kalau group berarti kelompok yang sama,kondisinya kalau tidak ya pasti bukan kelompoknya.Tetapi kalau cluster tidak harus sama akan tetapi pengelompokannya berdasarkan pada kedekatan dari suatu karakteristik sample yang ada, salah satunya dengan menggunakan rumus jarak ecluidean.Aplikasinya cluster ini sangat banyak, karena hamper dalam mengidentifikasi permasalahan atau pengambilan keputusan selalu tidak sama persis akan tetapi cenderung memiliki kemiripan saja.


2.Manfaat
  • Identifikasi obyek (Recognition) :
Dalam bidang mage Processing , Computer Vision atau robot vision
  • Decission Support System dan data mining
Segmentasi pasar, pemetaan wilayah, Manajemen marketing dll.

3. Prinsip dasar :
  • Similarity Measures (ukuran kedekatan)
  • Distances dan Similarity Coeficients untuk beberapa sepasang dari item
Ecluidean Distance:
Atau :

4. Metode Clustering pada dasarnya mengoptimumkan pusat cluster(centroid) atau mengoptimalkan lebar antar cluster.
   Macam-macam metode clustering :
  • Berbasis Metode Statistikk
a. Hirarchical clustering method   : pada kasus untuk jumlah kelompok belum ditentukan terlebih dulu, contoh data-data hasil survey kuisioner
   Macam-metode jenis ini:  Single Lingkage,Complete Linkage,Average Linkage dll.

b. Non Hirarchical clustering method: Jumlah kelompok telah ditentukan terlebih dulu.Metode yang digunakan : K-Means.
  • Berbasis Fuzzy : Fuzzy C-Means
  • Berbasis Neural Network : Kohonen SOM, LVQ
  • Metode lain untuk optimasi centroid atau lebar cluster : Genetik Algoritma (GA)
                              Gambar : Salah contoh 3 cluster yang terbentuk

5. Pembahasan Metode Cluster
Pertama akan kita bahas dulu metode cluster secara statistic untuk non hirachical method yaitu: K-Means Clustering

Algoritma:
  1. Partisi item menjadi K initial cluster
  2. Lakukan proses perhitungan dari daftar item, tandai item untuk kelompok yang mana berdasarkan pusat(mean) yang terdekat (dengan menggunakan distance dapat digunakan Euclidean distance).Hitung kembali pusat centroid untuk  item baru yang diterima pada cluster tersebut dari cluster yang kehilangan item.
  3. Ulangi step 2 hingga tidak ada lagi tempat yang akan ditandai sebagai cluster baru.
Contoh :
Dikethui data sebagai berikut:
Item
Observasi
X1
X2
A
5
3
B
-1
1
C
1
-2
D
-3
-2

Ditanya: Lakukan cluster menjadi 2 kelompok (K=2).
·         Langkah pertama:
·         Langkah kedua :
Lakukan perhitungan jarak dengan eclidean dari masing-masing item dari centroid(pusat) cluster dan tandai kembali setiap item berdasarkan kedekatan group.Jika item bergerak dari initial configuration, Centroid(pusat/means) cluster harus diupdate sebelum diproses.Kita hitung kwadrat jarak(squared distance) sbb:


Sejak A dekat pada cluster (AB) dibandingkan pada cluster (CD), maka tidak perlu ditandai.Lanjutkab perhitungan :

Sehingga B akan ditandi kembali menjadi anggota baru pada cluster (CD), sehingga membentuk cluster baru (BCD) maka koordinat dari pusat cluster terupdate sebagai berikut :

Selanjutnya lakukn chek untuk setiap item untuk ditandai kembali. Perhitungan kwadrat jarak(squared distances) dibarikan sbb:

Cluster
Koordinate dari Centroid


A
B
C
D
A
0
40
41
89
(BCD)
52
4
5
5







Kita lihat setiap item yang baru telah ditandai untuk cluster berdasarkan centroid(pusat) terdekat maka proses telah dihentikan.Sehingga dengan K=2 cluster maka terbentuk cluster sebagai berikut : A dan (BCD).

Tidak ada komentar:

Posting Komentar