Analisis Klaster Menggunakan Logika Fuzzy

31 Jan 2022

Popular Articles

Analisis Klaster

Analisis Klaster merupakan sebuah cara untuk menganalisis data berdasarkan informasi yang ada pada data yang memiliki tujuan untuk mengelompokkan data yang ditentukan sehingga, data yang ada pada kelompok tersebut yang sama memiliki sifat yang sama satu sama lain atau relatif homogen, sedangkan data yang berbeda ditempatkan dalam kelompok yang berbeda.

Metode Analisis Klaster

Analisis Klaster dibagi menjadi 2 metode pengelompokan yang pertama ada Metode Hierarki dan yang kedua adalah Metode non-Hierarki. Metode Hierarki digunakan atau ditujukan untuk mencari struktur pengelompokan dari objek objek yang dipilih. Sehingga, data hasil pengelompokan yang sudah dipilih dapat disajikan secara hierarki atau dengan kata lain yaitu bersusunan. Metode Hierarki dibagi menjadi 2, yang pertama adalah Agglomerative atau penggabungan, dan yang kedua ada Devise atau pemecahan. Agglomerative atau Penggabungan merupakan sebuah cara yang digunakan jika masing – masing objek dianggap menjadi satu kelompok atau homogen, kemudian antar kelompok yang berjarak dekat bergabung menjadi satu kesatuan atau satu kelompok. Beberapa yang termasuk dalam metode Agglomerative antara lain adalah yang pertama Metode Single Linkage, Metode Ward’s, Metode Average Linkage. Devise atau Pemecahan merupakan sebuah cara yang digunakan oleh sebuah ketika awalnya, semua seluruh objek terletak dan berada dalam suatu kelompok. Kemudian, sifat yang paling beda akan dipisahkan dan akan membentuk suatu kelompok yang lain lagi. Sebuah proses tersebut akan berlanjut sampai seluruh objek yang dipilih akan masing – masing membentuk satu kelompok sesuai dengan ketentuan yang ada.

Logika Fuzzy

Logika Fuzzy diambil dari kata “fuzzy” tersendiri yang berarti kabur atau samar. Dinamakan sedemikian rupa karena Logika Fuzzy bersifat tidak pasti. Serupa, tetapi berbanding terbalik dengan Boolean yang nilainya berkisar pada 0 atau false dan 1 atau true yang pada dasarnya nilai pasti. Logika Fuzzy merupakan metodologi kontrol yang mengandalkan ketidakpastian dengan kata lain, nilainya dapat berkisar dari 0 hingga 1. Meski tak pasti, Logika Fuzzy sangat berguna dan kerap kali digunakan pada komputasi modern

Konsep Logika Fuzzy

Manusia dengan sendirinya akan menerapkan cara berpikir intuitif dengan preferensi diri sendiri dan lingkungan sekitar, cara berpikir tersebut akan menjadi linguistik bahasa intuitif yang saling bisa dipahami oleh sesama manusia. Namun, mesin yang presisi dan pasti akan kesulitan untuk memahami bahasa tersebut. Logika Fuzzy berguna untuk menjembatani manusia dengan mesin. Logika Fuzzy pada awalnya dibuat berdasarkan pola pikir manusia. Logika Fuzzy ditujukan untuk diaplikasikan pada mesin yang berhadapan dengan kasus dimana dibutuhkan ketidakpastian dan ketidakakuratan. Logika Fuzzy ini akan mengajarkan mesin untuk berbahasa intuitif atau dengan signifikansi layaknya manusia.

Pemahaman Logika Fuzzy

Pemahaman bahasa intuitif manusia berbeda dengan bahasa mesin yang pasti. Contohnya pada suhu, mesin akan memberikan jawaban akurat seperti “29 degrees Celcius”, sedangkan manusia dapat berbahasa intuitif yang mengandalkan signifikansi bagi mereka seperti “sedikit panas”, “hangat”, “sangat panas”, “biasa saja”, dan banyak macam lainnya.

Selain untuk memahami bahasa intuitif manusia, Logika Fuzzy pun dapat digunakan untuk mengambil keputusan dengan lebih cepat.

Untuk analoginya, pada kasus A ketika seseorang akan tertabrak mobil, apabila diberikan informasi seperti, “mobil dengan massa 900 kg melaju dengan kecepatan 10 kmh dari arah selatan” maka akan membutuhkan waktu yang relatif lebih lama untuk bertindak.

Sedangkan pada kasus B, ketika seseorang tersebut diberikan informasi sepert, “ada mobil melaju cepat dari belakang” maka akan lebih mudah dicerna sehingga mempercepat proses pengambilan keputusan. Hal ini dikarenakan bahasa intuitif “cepat” dan juga pengurangan informasi yang tidak relevan.

Penerapan Logika Fuzzy pada Analisis Klaster

Clustering Data Analysis memiliki beberapa algoritma yang salah satu diantaranya adalah Fuzzy C-Means atau Logika Fuzzy yang diterapkan pada Clustering. Clustering dengan metode Fuzzy C-Means merupakan sebuah teknik cara melakukan klasterisasi yang mana keberadaan tiap tiap titik data ditentukan oleh sebuah derajat keanggotan dalam suatu cluster tertentu.

Konsep Fuzzy C-Means

Fuzzy C-Means (FCM) memiliki konsep pertama kali adalah mereka menentukan pusat cluster dan pusat cluster tersebut menandai lokasi rata rata untuk setiap cluster yang ditentukan. Pusat cluster ini terbukti masih belum akurat pada saat kondisi awal atau saat belum settle. Setiap titik titik data memiliki derajat keanggotan untuk setiap cluster yang ditentukan. Pusat Cluster akan bergerak menuju ketitik atau lokasi yang tepat menggunakan taktik atau cara yang tepat yaitu memperbaiki pusat cluster dan juga derajat keanggotaan tiap – tiap titik data secara berulang, konstan, dan terus menerus. Fuzzy C-Means memiliki output yang merupakan deretan dari pusat cluster dan beberapa degree of membership dari himpunan fuzzy untuk setiap titik titik data. Informasi yang didapatkan bisa digunakan untuk membangun suatu fuzzy inference system.

Tahapan Clustering dengan Metode Fuzzy C-Means

1) Menentukan Jumlah cluster, pangkat pembobot (w), iterasi maksimum (MaxIter), error terkecil yang diharapkan (s), fungsi objektif awal (P_O), dan iterasi awal (t)

2) Melakukan pembangkitan terhadap random number sebagai elemen-elemen matriks partisi awal U

3) Melakukan proses clustering dengan menentukan pusat cluster v_ij y

4) Menghitung hasil fungsi objektif

5) Melakukan pembangkitan matriks partisi U

6) Mendapatkan jumlah dan yang mana yang merupakan pusat cluster

Referensi

Muhammad Atharizqi Vedawafa, Edi Purnomo Putra