Fuzzy C-Means (FCM)
Assalam Mualaikum teman-teman blogger saya ingin menyampaikan berita baik bahwa saya saya sudah lulus S2, semoga ilmu yang saya dapatkan dapat berguna bagi rekan-rekan penikmat blog berantakan ini :p. Saya mengambil jurusan Magister Teknik Informatika yang telah berjalan sejak Oktober 2011, waktu yang lumayan lama untuk menyelesaikan S2 :D ***terlalu santai
Pada kesempatan berikutnya sedikit banyak saya akan sharing mengenai Algoritma Fuzzy C-Means (FCM) yang saat ini sedang saya tekuni, sebuah algoritma yang berguna sekali untuk clustering atau pengelompokan data. FCM merupakan salah satu metode pendekatan unsurvised atau biasa disebut clustering [24] atau model yang beradaptasi terhadap pengamatan data [22], di mana kelas label masing-masing data pelatihan tidak diketahui, selain itu nomor atau set kelas yang harus dipelajari mungkin belum diketahui sebelumnya [24]. Lumayan pusing kan he..he..tenang baru permulaan.
FCM adalah salah satu algoritma yang sering digunakan untuk clustering [4]–[6], [25]. Pendekatan clustering zaman dahulu kala :p menghasilkan beberapa partisi, didalam partisi tersebut masing-masing satu pola hanya untuk satu cluster, oleh karena itu beberapa cluster dikelompokan secara kasar [5]. Pada proses clustering secara klasik pembentukan partisi dilakukan sedemikian rupa sehingga setiap obyek berada tepat pada satu partisi. Namun, adakalanya tidak dapat menempatkan suatu obyek tepat pada suatu partisi, karena sebenarnya obyek tersebut terletak di antara 2 atau lebih partisi yang lain. Gambar 2.4 dan Gambar 2.5 berikut ini menerangkan tentang penjelasang sebelumnya mengenai clustering secara kasar (hard clustering) dan Fuzzy Clustering:
FCM memperluas gagasan mengenai cluster untuk mengasosiasikan pola dengan setiap cluster menggunakan fungsi keanggotaan [7]. Output dari algoritma tersebut adalah clustering dan bukan partisi. Fuzzy C-means cluster pertama kali dikemukakan oleh Dunn (1973) dan kemudian dikembangkan oleh Bezdek (1981) [9]. Metode ini merupakan pengembangan dari metode non hierarki K-means Cluster, karena pada awalnya ditentukan dulu jumlah kelompok atau cluster yang akan dibentuk. Kemudian dilakukan iterasi sampai mendapatkan keanggotaan kelompok tersebut. Metode ini adalah metode yang paling digemari karena merupakan metode yang paling robust [10], [11]. Proses clustering dengan FCM menghasilkan cluster yang lebih baik dan lebih natural dibandingkan dengan proses cluster dengan pendekatan partisi secara kasar.
Sudah ya sementara itu dulu sebagai pengenala FCM...sampai jumpa pada materi berikutnya yaaa
Pada kesempatan berikutnya sedikit banyak saya akan sharing mengenai Algoritma Fuzzy C-Means (FCM) yang saat ini sedang saya tekuni, sebuah algoritma yang berguna sekali untuk clustering atau pengelompokan data. FCM merupakan salah satu metode pendekatan unsurvised atau biasa disebut clustering [24] atau model yang beradaptasi terhadap pengamatan data [22], di mana kelas label masing-masing data pelatihan tidak diketahui, selain itu nomor atau set kelas yang harus dipelajari mungkin belum diketahui sebelumnya [24]. Lumayan pusing kan he..he..tenang baru permulaan.
FCM adalah salah satu algoritma yang sering digunakan untuk clustering [4]–[6], [25]. Pendekatan clustering zaman dahulu kala :p menghasilkan beberapa partisi, didalam partisi tersebut masing-masing satu pola hanya untuk satu cluster, oleh karena itu beberapa cluster dikelompokan secara kasar [5]. Pada proses clustering secara klasik pembentukan partisi dilakukan sedemikian rupa sehingga setiap obyek berada tepat pada satu partisi. Namun, adakalanya tidak dapat menempatkan suatu obyek tepat pada suatu partisi, karena sebenarnya obyek tersebut terletak di antara 2 atau lebih partisi yang lain. Gambar 2.4 dan Gambar 2.5 berikut ini menerangkan tentang penjelasang sebelumnya mengenai clustering secara kasar (hard clustering) dan Fuzzy Clustering:
Sudah ya sementara itu dulu sebagai pengenala FCM...sampai jumpa pada materi berikutnya yaaa
Komentar
Posting Komentar
Silahkan Berkomentar Dengan Sopan ya.. :)
Jika Anda PUNYA HALAMAN WEB gunakanlah pilihan 'Name/URL' pada pilihan 'Beri Komentar Sebagai'.
Jika anda TIDAK PUNYA Account Blog gunakanlah pilihan 'Anonymous' pada pilihan 'Beri Komentar Sebagai'.