Buku ini sedang dalam tahap tinjauan terbuka. Kami ingin umpan balik Anda untuk membuat buku ini lebih baik bagi. Anda dapat memberikan anotasi pada beberapa teks dengan memilihnya menggunakan kursor dan kemudian klik “Beri Anotasi” pada menu pop-up. Anda juga dapat melihat anotasi orang lain: klik tanda panah di sudut kanan atas halaman

10.1 Tahapan Algoritma Fuzzy C-Means

1. Inisialisasi Parameter

Tentukan jumlah cluster (c), parameter pembobot (m, biasanya \(m > 1\)), toleransi error (\(\epsilon\)), dan maksimum iterasi.

2. Inisialisasi Matriks Keanggotaan

Buat matriks keanggotaan awal (\(U^{(0)}\)) secara acak. Matriks ini memiliki ukuran \(N \times c\), di mana \(N\) adalah jumlah data, dan \(c\) adalah jumlah cluster. Pastikan bahwa \(\sum_{j=1}^c u_{ij} = 1\) untuk setiap data \(i\).

3. Perhitungan Pusat Cluster

Hitung pusat cluster (\(v_k\)) untuk setiap cluster \(k\) menggunakan rumus: \[ v_k = \frac{\sum_{i=1}^N u_{ik}^m x_i}{\sum_{i=1}^N u_{ik}^m} \] di mana \(u_{ik}\) adalah nilai keanggotaan data \(i\) pada cluster \(k\) dan \(x_i\) adalah data ke-\(i\).

4. Perbarui Matriks Keanggotaan

Hitung matriks keanggotaan baru (\(U^{(t+1)}\)) dengan rumus: \[ u_{ik} = \frac{1}{\sum_{j=1}^c \left( \frac{\|x_i - v_k\|}{\|x_i - v_j\|} \right)^{\frac{2}{m-1}}} \] di mana \(\|x_i - v_k\|\) adalah jarak antara data \(i\) dan pusat cluster \(k\).

5. Evaluasi Konvergensi

Hitung perubahan matriks keanggotaan (\(\|U^{(t+1)} - U^{(t)}\|\)). Jika perubahan lebih kecil dari toleransi error (\(\epsilon\)) atau iterasi maksimum tercapai, algoritma berhenti. Jika tidak, kembali ke langkah 3.

6. Hasil Akhir

Pusat cluster (\(v_k\)) dan matriks keanggotaan (\(u_{ik}\)) akhir menunjukkan distribusi data terhadap cluster. Data dapat diklasifikasikan ke cluster dengan keanggotaan tertinggi.