ALGORITMA FUZZY CLUSTER MEANS (FCM)

BAB I

PENDAHULUAN

1.1 Latar Belakang

Dewasa ini banyak khasus dalam kehidupan sehari-hari yang membutuhkan
pertimbangan dalam pengambilan keputusan. Dalam pengambilan keputusan pada
khasus-khasus tersebut agak sulit karena batasannya tidak jelas. Dalam pengambilan
keputusan yang akurat dapat menggunakan beberapa algoritma yang telah ada.
Adapun salah satu algoritma yang dapat membantu dalam pengambilan keputusan
seperti algoritma Fuzzy C-Means.
Pada tahun 1981 seorang ilmuan yang bernama Jim Bezdek memperkenalkan
tehnik tentang algoritma Fuzzy C-Means. Algoritma Fuzzy C-Means dapat membantu
untuk mendapatkan hasil keputusan yang tepat dan akurat. Fuzzy C-Means merupakan
suatu tehnik pengelompokan.
Salah satu contoh dalam kehidupan sehari-hari yang membutuhkan
pertimbangan dalam pengambilan keputusan dengan menggunakan algoritma Fuzzy
C-Means seperti menentukan besar uang mata kuliah mahasiswa, dan sebagiannya.
Dan untuk khasus yang lain penulis akan mengambil contoh khasus dalam penentuan
jurusan peminatan di Sekolah Menengah Atas (SMA). Dalam penentuan jurusan
peminatan di SMA akan di mudahkan penentuannya dengan Fuzzy Clustering Means
agar dalam penentuannya lebih akurat. Dalam pengelompokannya akan
dikelompokkan ke dalam tiga (3) kelompok.
Berdasarkan ilustrasi diatas penulis akan menggunakan algoritma Fuzzy
Clustering Means untuk pengelompokan siswa SMA dalam penentuan jurusan
berdasarkan prestasi siswa.

1.2 Rumusan Masalah

1. Bagaimana algoritma Fuzzy C-Means ?
2. Bagaimana penerapan algoritma Fuzzy C-Means dalam kasus penentuan
jurusan di SMA?

1
1.3 Tujuan
1. Mendeskripsikan algoritma Fuzzy C-Means
2. Mendeskripsikan contoh penerapan algoritma Fuzzy C-Means dalam kasus
penentuan jurusan SMA.

1.4 Batasan Masalah

Batasan masalah dalam makalah ini adalah menentukan peminatan di SMA dengan
menggunakan algoritma fuzzy c-means.

1.5 Manfaat
1. Manfaat teoritis : dapat menjadi referensi untuk penggunaan algoritma Fuzzy
Clustering Means untuk diterapkan pada kasus lain.
2. Manfaat praktis : dapat memberi pertimbangan untuk meningkatkan akurasi
dalam proses pengelompokan siswa dalam memilih jurusan berdasarkan prestasi
siswa.

2
 BAB II
TINJAUAN PUSTAKA

A. Algoritma

Dalam matematika dan komputasi, algoritma merupakan kumpulan perintah untuk

menyelesaikan suatu masalah. Perintah-perintah ini dapat diterjemahkan secara bertahap
dari awal hingga akhir. Masalah tersebut dapat berupa apa saja, dengan catatan untuk
setiap masalah, ada criteria kondisi awal yang harus dipenuhi sebelum menjalankan
algoritma. Algoritma akan dapat selalu berakhir untuk semua kondisi awal yang
memenuhi criteria. Algoritma sering mempunyai langkah pengulangan (iterasi) atau
memerlukan keputusan sampai tugasnya selesai.

B. Konsep Clustering

Clustering merupakan suatu metode untuk mencari dan mengelompokkan data yang
memiliki kemiripan karakteristik antara satu data dengan data yang lain. Tujuan utama
dari metode clustering adalah pengelompokan sejumlah data ke dalam cluster (group)
sehingga dalam setiap cluster akan berisi data yang semirip mungkin.

C. Fuzzy Cluster Means (FCM)

Fuzzy Cluster Means (FCM) adalah suatu tehnik pengelompokan yang mana
keberadaan tiap-tiap titik data dalam suatu kelompok (cluster) ditentukan oleh derajat
keanggotaan. Kelebihan FCM adalah dapat melakukan clustering lebih dari satu variable
secara sekaligus. Tehnik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981.

Konsep dasar FCM, pertam ialah menentukan pusat cluster yang akan menandai
lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat cluster ini masih belum
akurat. Tiap-tiap titik data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan
cara memperbaiki pusat cluster dan derajat keanggotaan tiap-tiap titik data secara

3
berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang
tepat. Perulangan ini didasarkan pada minimasi fungsi objektif yang menggambarkan
jarak dari titik data yang diberikan ke pusat cluster terbobot oleh derajat keanggotaan titik
data tersebut.

FCM menggunakan model pengelompokan fuzzy sehingga data dapat menjadi

anggota dari semua kelas atau cluster tersebut dengan derajat keanggotaan yang berbeda
antara 0 hingga 1.

Metode Fuzzy Clustering mengijinkan objek untuk menjadi bagian dari beberapa
kelompok secara bersamaan dengan perbedaan level keanggotaan. Sebagai contoh dalam
hard clustering, missal himpunan data Z ^z1 , z 2 , z3 ,..., z10 ` jika dibagi menjadi 2

kelompok maka himpunan U yang merupakan matriks pasrtisi yang menunjukan level
keanggotaan elemen himpunan Z dalam kelompok A 1 atau A 2 akan menjadi sebagai
berikut :

ª1 1 1 1 1 1 0 0 0 0º
U « »
¬0 0 0 0 0 0 1 1 1 1¼

Baris atas matriks partisi U menunjukan level keanggotaan elemen himpunan Z dalam
A1 dan baris bawah menunjukan level keanggotaan elemen himpunan Z dalam A . 2

Tampak bahwa setiap elemen himpunan Z secara khusus atau penuh akan menjadi
anggota kelompok (A 1atau A ) 2dengan level keanggotaan 1. Dan tidak menjadi anggota
dalam suatu kelompok dengan level keanggotaan 0. x1 , x2 , x3 , x4 , x5 , x6 secara khusus

anggota dari A 2, dan x7 , x8 , x9 , x10 secara khusus merupakan anggota kelompok A 2.

Sementara itu dalam fuzzy clustering level keanggotaan data dalam suatu kelompok
bukan hanya 0 dan 1 akan tetapi dapat memiliki nilai interval > ,0@1 . Baris ke i dalam
matriks partisi mengandung level keanggotaan i terhadap A . i Nilai level keanggotaan
dalam setiap kolom matriks partisi yang berarti nilai keanggotaan data dalam setiap
kolom akan selalu berjumlah 1.

Sebagai contoh : himpunan Z ^z1 , z 2 , z3 ,..., z10 `. Jika himpunan Z dibagi menjadi 2
kelompok Z1dan Z ,2 maka matriks partisi U dapat dituliskan seperti berikut :

4
 ª1 1 1 ,0
7 ,04 2 0 0 0 1º
,0
U « »
¬0 0 0 ,0
3 ,0
6 ,0
8 1 1 1 0¼

Baris atas matris partisi U menunjukan level keanggotaan elemen himpunan Z

dalam A 1dan baris bawah menunjukan level keanggotaan elemen himpunan Z dalam A . 2

Fuzzy C-Means merupakan algoritma yang digunakan untuk melakukan clustering

data berdasarkan keberadaan tiap-tiap titik data sesuai dengan derajat keanggotaannya.
Berikut ini adalah algoritma clustering FCM .

D. Index XB (Xie-Beni) dalam Mengukur Keakuratan Cluster

Indeks XB ditemukan oleh Xie dan Beni yang pertama kali dikemukakan pada tahun
1991. Ukuran kevalidan cluster merupakan proses evaluasi hasil clustering untuk
menentukan cluster mana yang terbaik.

c n

¦¦
2
Pik w u X ij Vkj
i 1 j 1
XB 2
n u min k , j Vk Vj

c = banyak kluster
n = banyak objek yang dikelompokkan
Pik = derajat keanggotaan fuzzy

w = pangkat pembobotan
nu min k , j Vk V j = jarak minimum antara pusat klaster Vk dan Vj

5
 BAB III

PEMBAHASAN

A. ALGORITMA FUZZY C-MEANS

Salah satu teknik fuzzy clustering adalah Fuzzy C-Means (FCM). Fuzzy C-Means
(FCM) adalah suatu teknik pengklasteran data yang keberadaan tiap-tiap data dalam
suatu cluster ditentukan oleh nilai/derajat keanggotaan tertentu. Dalam FCM setiap
data bisa menjadi anggota dari beberapa cluster. Konsep dasar Fuzzy C-Means,
pertama kali ialah menunjukkan pusat cluster yang akan menandai lokasi rata-rata
untuk tiap-tiap cluster. Pada kondidi awal, pusat cluster ini masih belum akurat. Tiap-
tiap data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara
memperbaiki pusat cluster dan nilai keanggotaan tiap-tiap data secara berulang, maka
akan terlihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat. Perulangan
ini didasarkan pada minimasi fungsi objektif. Algoritma Fuzzy C-Means (FCM)
diberikan sebagai berikut :

a) Input data yang akan di-cluster X, berupa matriks berikut berukuran n u m (n =

jumlah sample data, m = atribut setiap data), dimana X ij adalah data sample
ke-i (i=1,2,3,..,n), atribut ke-j (j=1,2,3,..m)
b) Selanjutnya, tentukan nilai-nilai awal perhitungan seperti, jumlah cluster,
pangkat, iterasi maksimal, error terkecil yang diharapkan( [ ), fungsi objektif
awal dan iterasi awalnya.
Tentukan :
a. Jumlah cluster = c;
b. Pangkat (bobot) =w;

6
 c. Maksimum iterasi = Maxlter;
d. Error terkecil =[ ;

e. Fungsi objektif awal =P0=0;

f. Iterasi awal =t=1;
c) Bangkitkan nilai random dalam bentuk elemen matriks partisi awal U
Pik , i ,1,2
3,..n; k ,1,2,...3
c ), kemudian hitunglah jumlah setiap kolom

dengan persamaan sebagai berikut :

c
Qi ¦
k 1
Pik (1)

Selanjutnya tentukan nilai matriks partisi awal, dengan persamaan sebagai

berikut :

Pik Pik
(2)
Qi
d) Hitung pusat cluster ke-k; V jk GLPDQD N ,,,..,F GDQ M ,,,«,P, GHQJDQ
persamaan sebagai berikut :

¦ P  
n
w
ik  X ij
V jk i 1
n (3)
¦ Pik w
i 1

e) Selanjutnya, lakukan perhitungan nilai fungsi objektif pada iterasi ke-t(P ),

t

dengan persamaan berikut :

§ªm 2º
·
¨« X ij Vkj  »Pik  ¸
n c
Pt ¦¦ ¦ ¨j1
1 ©¬
w
¸ (4)
i 1 k ¼ ¹
f) Hitung perubahan matriks partisi U, dengan persamaan sebagai berikut :
1
ªm 2º
¦j 1 X ij Vkj  »
w 1
«
Pik ¬ ¼
1
(5)
ª 2º
¦¦« X Vkj  »
c m w 1

ij
k 1 ¬j 1 ¼
'LPDQD L ,,«,Q GDQ N ,,«F
g) Langkah terakhir adalah dengan mengecek kondisi berhenti dengan ketentuan
sebagai berikut
a. Jika  Pt Pt 1  [  atau (t> iterasi maksimal) maka berhenti

7
 h) Jika tidak, maka t=t+1 kemudian ulangi langkah 4.

B. PENERAPAN FUZZY C-MEANS DALAM PENENTUAN JURUSAN

Sebagai contoh khasus, dalam penentuan jurusan di SMA tidak semua mata
pelajaran digunakan dalam persyaratan penjurusan, hanya mata pelajaran inti saja
yaitu Matematika,Fisika, Kimia, Biologi,Sejarah Sosiologi, Ekonomi, Geografi,
Bahasa Indonesia, Bahasa Inggris. Dalam menentukan penjurusan, pihak sekolah
mengadakan test diawal setelah siswa dinyatakan diterima disekolah yang
bersangkutan. Test awal yang diberikan nantinya akan digunakan dalam penentuan
jurusan siswa. Adapun ketentuan dalam penjurusan ialah :
x Apabila mata pelajaran yang tidak lulus ialah Fisika, Biologi dan Sejarah (2
mata pelajaran ciri khas program IPA dan 1 ciri khas program IPS) maka
siswa tersebut secara akademik dapat dimasukkan ke program Bahasa.
x Apabila mata pelajaran yang tidak lulus ialah Bahasa Inggris, Kimia,dan
Fisika (2 mata pelajaran ciri khas program IPA dan 1 ciri khas program
Bahasa) maka siswa tersebut secara akademik dapat dimasukkan ke program
IPS.
x Apabila mata pelajaran yang tidak lulus ialah Bahasa Inggris, Sejarah, dan
Geografi (2 mata pelajaran ciri khas program IPS dan 1 ciri khas program
Bahasa) maka siswa tersebut secara akademik dapat dimasukkan ke program
IPA.
x Apabila mata pelajaran yang tidak lulus ialah Kimia, Geografi dan Bahasa
Inggris (yang mencangkup semua mata pelajaran yang menjadi ciri khas dari
ketiga program SMA) maka perlu diperhatikan prestasi nilai raport siswa kelas
IX (SMP) dan memanggil siswa tersebut untuk diberi bimbingan untuk
mengetahui minat siswa tersebut dengan cara mewawancarainya.
x Apabila semua mata pelajaran lulus, maka siswa tersebut bisa memilih
peminatan mana yang ingin diambil.

Proses penjurusan dilaksanakana untuk menyeleksi dan mengumpulkan

kemampuan peserta didik yang sama untuk menempuh satu program pendidikan yang
8
sama juga. Disamping itu, penjurusan juga diselenggarakan untuk menyesuaikan
kemampuan dan minat peserta didik terhadap bidang yang dipilihnya. Penempatan
penjurusan yang sesuai akan meningkatkan minat dan memberikan kenyamanan
dalam belajar. Dengan dasar kemampuan yang sama diharapkan dalam kegiatan
pembelajaran dapat berjalan dengan lancar tanpa ada yang mengalami kesulitan dan
dapat meningkatkan minat serta prestasi belajar peserta didik. Namun sebaliknya,
kurangnya minat untuk belajar akibat salah memilih jurusan akan mengakibatkan
prestasi belajar yang menurun dan gairah dalam belajar tidak ada.
Pada tahap awal dilakukan pemetaan korelasi antara peminatan dengan mata
pelajaran peminatan (parameter uji coba peminatan menggunakan FCM.

Bidang Minat

MIA IIS BAHASA

A Matematika Sejarah Inggris

Fisika Sosiologi Indonesia

Kimia Ekonomi

Biologi Geografi

Gambar 1. Diagram Korelasi Antara Mata Pelajaran dengan Peminatan

1. Data
Data siswa SMA akan dilakukan pengujian tingkat akurasi algoritma Fuzzy C-
Means dalam pemetaan kesamaan minat siswa SMA berdasarkan mata pelajaran
bidang peminatan dan menentukan kevalidan suatu cluster menggunakan Index XB
(Xie-Beni).

9
a. Contoh Data
Contoh data yang digunakan ialah nilai sebelum dan setelah penjurusan siswa
SMA. Sampel data yang di pakai ialah sebanyak 25 dari100 siswa. Adapun parameter
data yang digunakan ialah : jurusan MIA, jurusan IIS dan jurusan Bahasa.

Table 1.1 Data Prestasi Siswa Sebelum Penjurusan

Nilai Rata-Rata Sebelum

Siswa Peminatan
MIA IIS Bahasa
1 72,2 74,8 76,5
2 74,9 76,5 67,3
3 77,5 70,6 74,6
4 68,1 77,1 77.8
5 76,6 71,3 76,1
6 78,2 76,4 64,6
7 70,4 74,5 72,9
8 75,3 75,2 68,7
9 77,1 73,7 80,5
10 71,5 77,6 77,8
11 74 69,8 80,3
12 72,8 78,4 69,8
13 73,7 73,9 71,4
14 73,1 73,9 72,5
15 71.9 73.2 74.9
16 74,3 73,2 70,3
17 78,3 79,2 79
18 71,8 74,3 77,9
19 74,1 75,3 80,3
20 74,7 72,4 72,1
21 74 71,3 71,9
22 70,6 78,5 76,6

10
 23 76,8 78,6 73,5
24 75,3 71,2 77,6
25 76,1 72,4 73,4

Table 1.2 Data Prestasi Siswa Setelah Proses Penjurusan

11
 Nilai Rata-Rata Setelah Peminatan
Siswa Jurusan yang Dipilih
Kelas X Kelas XI Kelas XII
1 Bahasa 75,5 76,7 81

2 IIS 66 69 78

3 MIA 76 85 85

4 Bahasa 89 90 92

5 MIA 72,8 71,5 72,5

6 MIA 65,5 70,4 74,3

7 IIS 69 65,5 74

8 IPA 70,5 72,5 74,2

9 Bahasa 76,25 75,5 78,9

10 Bahasa 77,5 79,5 80,5

11 Bahasa 78 76,5 82

12 IIS 65 71 69

13 IIS 71,5 74 69,5

14 IIS 67,5 65 74

15 Bahasa 69,5 70 74

16 MIA 68 71 71

17 IIS 70 70 74

18 Bahasa 76 80,5 79

19 Bahasa 81,5 82,5 80,5

20 MIA 74 71 74,5

12
 21 MIA 69,5 73,5 74

22 IIS 82,5 79,5 83,5

23 IIS 72,5 70,5 74

24 Bahasa 65,5 70,5 73,8

25 MIA 65 72 72

b. Metode Pengukuran
Dalam penerapan algoritma Fuzzy C-Means ketika mencari akurasi dalam
penjurusan diuji dengan cara sebagai berikut :
1. Data sampel siswa dan nilai rata-rata mata pelajaran peminatan sebelum
peminatan dikelompokkan dengan algoritma Fuzzy C-Means untuk membagi
siswa kedalam bidang minat tertentu (MIA, IIS, dan Bahasa)
2. Hasil peminatan Fuzzy C-Means dibandingkan dengan hasil peminatan yang
telah didapat dari sekolah.
3. Jika minat yang dipilih siswa sama dengan peminatan FCM dan nilai rata-rata
mata pelajaran peminatan yang diperoleh setelah peminatan lebih dari atau
sama dengan KKM yang ideal t 75 , PDND )&0 GLQ\DWDNDQ ³DNXUDW´
4. Jika minat yang dipelih siswa sama dengan FCM dan nilai rata-rata mata
pelajaran peminatan yang diperoleh setelah peminatan kurang dari KKM yang
ideal t 75 , PDND )&0 GLQ\DWDNDQ ³WLGDN DNXUDW´
5. Jika minat yang dipilih oleh siswa tidak sama dengan FCM dan nilai rata-rata
mata pelajaran yang diperoleh setelah peminatan lebih dari atau sama dengan
KKM yang ideal t 75 , PDND )&0 GLQ\DWDNDQ ³WLGDN DNXUDW´
6. Jika minat yang dipilih siswa tidak sama dengan FCM dan nilai rata-rata mata
pelajaran peminatan yang diperoleh setelah peminatan kurang dari KKM yang
ideal t 75 , PDND )&0 GLQ\DWDNDQ ³DNXUDW´

2. Klastering data menggunakan algoritma FCM :

13
1. Input data yang akan di-cluster X, berupa matriks berikut berukuran n u m (n =
jumlah sample data, yaitu 25, m = parameter yaitu 3), dimana X adalah
ij data
sample ke-i (i=1,2,3,..,n), atribut ke-j (j=1,2,3,..m).
2. Selanjutnya, tentukan nilai-nilai awal perhitungan seperti, jumlah cluster,
pangkat, iterasi maksimal, error terkecil yang diharapkan( [ ), fungsi objektif
awal dan iterasi awalnya.
Tentukan :
a. Jumlah cluster = 3
b. Pangkat (bobot) = 2
c. Maksimum iterasi = 20
d. Error terkecil = 0,001
e. Fungsi objektif awal = (P0) = 0
f. Iterasi awal = (t) = 1

3. Bangkitkan nilai random Pik , i ,1,2

3,..n; k ,1,2,...3
c ; sebagai elemen-elemen
matriks partisi awal (U).

14
 ª ,02453 ,06038 1509 º
,0
« »
«,00299 ,02722 ,06979»
«,04228 ,0
1988 ,03784»
« »
«,01246 ,00154 ,0
86 »
« ,0995 ,07468 1537 »
,0
« »
«0.,613 ,04451 ,03936»
«,00616 ,0
9318 ,00066»
« »
« ,0135 ,0466 399 »
,0
«,02598 ,04186 ,03216»
« »
«,00089 ,0
8462 1449 »
,0
« »
«,01568 ,0
5252 ,0
318 »
«,01372 ,02026 ,06602»
« »
«,01859 ,06721 ,0
142 »
«,00722 ,08381 ,00897»
« »
«,06392 ,00196 ,03412»
«,00846 ,06813 ,02341»
« »
«,00934 ,03795 ,05271»
« »
«,00589 ,0
8318 ,0
1093 »
«,01587 ,05028 ,03386»
« »
«,00224 ,07095 ,02681»
«,02007 ,04289 ,03704»
« »
«,00933 ,0
3046 ,06021»
«,02637 ,0
1897 ,05466»
« »
«,03617 ,0
1934 ,04449»
« »
¬,00232 ,06822 ,02946¼

4. Hitung pusat cluster ke-k; V jk GLPDQD N ,,,..,F GDQ M ,,,«,P, GHQJDQ

persamaan sebagai berikut :

¦ P  
n
w
ik  X ij
V jk i 1
n

¦ P ik
w

i 1

15
 Table 1.3 Hasil Perhitungan Pusat Klaster pada Iterasi Pertama Kluster 1

Derajat
Keanggotaan Data yang di
(Pi 1) 2 u Xi1 ( Pi 1) 2 u Xi 2
Siswa pada Kluster kluster ( Pi 1) 2 ( Pi 1) 2 u Xi 3
1
( Pi 1) Xi1 Xi2 Xi3

1 0,2453 72,2 74,8 76,5 0,061 4,344 4,501 4,603

2 0,0299 74,9 76,5 67,3 0,009 0,067 0,069 0,061
3 0,4228 77,5 70,6 74,6 0,179 13.85 12,62 13,33
4 0,1246 68,1 77,1 77.8 0,015 1,058 1,197 1,21
5 0,995 76,6 71,3 76,1 0,990 75,84 70,6 75,34
6 0,1613 78,2 76,4 64,6 0,260 2,035 1,99 1,680
7 0,0616 70,4 74,5 72,9 0,004 0,267 0,29 0,28
8 0,135 75,3 75,2 68,7 0,018 1,37 1,371 1,252
9 0,2598 77,1 73,7 80,5 0,067 5,21 4,975 5,433
10 0,0089 71,5 77,6 77,8 0,0001 0,0057 0,0061 0,0061
11 0,1568 74 69,8 80,3 0,025 1,819 1,716 1,974
12 0,1372 72,8 78,4 69,8 0,018 1,370 1,476 1,313
13 0,1859 73,7 73,9 71,4 0,346 2,55 2,56 2,468
14 0,0722 73,1 73,9 72,5 0,005 0,381 0,385 0,38
15 0,6392 71.9 73.2 74.9 0,41 29,4 29,91 30,60
16 0,0846 74,3 73,2 70,3 0,007 0,54 0,53 0,5031
17 0,0934 78,3 79,2 79 0,008 0,683 0,69 0,69
18 0,0589 71,8 74,3 77,9 0,003 0,249 0,26 0,270
19 0,1587 74,1 75,3 80,3 0,026 1,867 1,89 2,022
20 0,0224 74,7 72,4 72,1 0,0005 0,038 0,036 0,0362
21 0,2007 74 71,3 71,9 0,041 2,981 2,872 2,897
22 0,0933 70,6 78,5 76,6 0,009 0,6146 0,683 0,666
23 0,2637 76,8 78,6 73,5 0,069 5,341 5,466 5,111
24 0,3617 75,3 71,2 77,6 0,130 9,852 9,32 10,15
25 0,0232 76,1 72,4 73,4 0,0005 0,041 0,04 0,04

16
Jumlah 2,148 161,73 155,5 162,4

¦ P  
n
w
ik  X ij
V jk i 1
n 75,31 72,36 75,58
¦ Pik w
i 1

Table 1.4 Hasil Perhitungan Pusat Klaster pada Iterasi Pertama Kluster 2

Derajat
Keanggotaan Data yang di
( Pi 2) 2 ( Pi 2) 2 u Xi1 ( Pi 2) 2 u Xi 2
Siswa pada Kluster kluster ( Pi 2) 2 u Xi 3
2
( Pi 2) Xi1 Xi2 Xi3

1 0,6038 72,2 74,8 76,5 0,365 26,32 27,27 28

2 0,2722 74,9 76,5 67,3 0,074 5,55 5,668 4,99
3 0,1988 77,5 70,6 74,6 0,0395 3,07 2,79 2,949
4 0,0154 68,1 77,1 77.8 0,0002 0,017 0,019 0,019
5 0,7468 76,6 71,3 76,1 0,56 42,72 39,77 42,45
6 0,4451 78,2 76,4 64,6 0,198 15,50 15,14 12,80
7 0,9318 70,4 74,5 72,9 0,869 61,13 64,69 63,3
8 0,466 75,3 75,2 68,7 0,217 16,36 16,33 14,92
9 0,4186 77,1 73,7 80,5 0,175 13,51 12,91 14,11
10 0,8461 71,5 77,6 77,8 0,716 51,20 55,57 55,70
11 0,5252 74 69,8 80,3 0,28 20,412 19,25 22,15
12 0,2026 72,8 78,4 69,8 0,041 2,988 3,3 2,9
13 0,6721 73,7 73,9 71,4 0,46 33,291 33,39 32,26
14 0,8381 73,1 73,9 72,5 0,702 51,347 51,90 50,92
15 0,0196 71.9 73.2 74.9 0,001 0,03 0,028 0,03
16 0,6813 74,3 73,2 70,3 0,464 34,5 34 32,63
17 0,3795 78,3 79,2 79 0,144 11,3 11,41 11,4
18 0,8318 71,8 74,3 77,9 0,692 49,7 51,41 53,9
19 0,5028 74,1 75,3 80,3 0,2528 18,73 19,1 20,3

17
20 0,7095 74,7 72,4 72,1 0,504 37,60 36,5 36,29
21 0,4289 74 71,3 71,9 0,19 13,62 13,2 13,22
22 0,3046 70,6 78,5 76,6 0,093 6,55 7,28 7,1
23 0,1897 76,8 78,6 73,5 0,036 2,76 2,83 2,65
24 0,1934 75,3 71,2 77,6 0,037 2,9 2,66 2,91
25 0,6822 76,1 72,4 73,4 0,465 35,42 33,69 34,16
Jumlah 7,5542 556,36 5559,791 561,88

¦ P  
n
w
ik  X ij
V jk i 1
n 73,65 74.1 73.38
¦ Pik w
i 1

Table 1.5 Hasil Perhitungan Pusat Klaster pada Iterasi Pertama Kluster 3

Derajat
Keanggotaan Data yang di
(Pi 3) 2 u Xi1 ( Pi 3) 2 u Xi 2 ( Pi 3) 2 u Xi 3
Siswa pada Kluster kluster ( Pi 3) 2
3
( Pi 3) Xi1 Xi2 Xi3

1 0,1509 72,2 74,8 76,5 0,023 1,64 1,70 1,75

2 0,6979 74,9 76,5 67,3 0,487 36,48 37,26 32,8
3 0,3784 77,5 70,6 74,6 0,1432 11,1 10,11 10,68
4 0,86 68,1 77,1 77.8 0,74 50,37 57,02 57,54
5 0,1537 76,6 71,3 76,1 0,0236 1,81 1,68 1,78
6 0,3936 78,2 76,4 64,6 0,16 12,12 11,84 10,01
7 0,0066 70,4 74,5 72,9 0,00005 0,0031 0,0032 0,0032
8 0,399 75,3 75,2 68,7 0,16 12 11,97 10,94
9 0,3216 77,1 73,7 80,5 0,103 7,97 7,63 8,33
10 0,1449 71,5 77,6 77,8 0,021 1,50 1,63 1,634
11 0,318 74 69,8 80,3 0,101 7,48 7,1 8,12
12 0,6602 72,8 78,4 69,8 0,44 31,731 34,18 30,42
13 0,142 73,7 73,9 71,4 0,021 1,5 1,49 1,5

18
14 0,0897 73,1 73,9 72,5 0,0081 0,6 0,6 0,58
15 0,3412 71.9 73.2 74.9 0,116 8,37 8,522 8,72
16 0,2341 74,3 73,2 70,3 0,06 4,08 4,012 3,86
17 0,5271 78,3 79,2 79 0,3 21,75 22,00 21,95
18 0,1093 71,8 74,3 77,9 0,012 0,86 0,89 0,93
19 0,3385 74,1 75,3 80,3 0,12 8,49 8,7 9,2
20 0,2681 74,7 72,4 72,1 0,08 5,4 5,21 5,18
21 0,3704 74 71,3 71,9 0,2 10,16 9,78 9,86
22 0,6021 70,6 78,5 76,6 0,37 25,59 28,5 27,76
23 0,5466 76,8 78,6 73,5 0,3 22,95 23,48 21,96
24 0,4449 75,3 71,2 77,6 0,2 14,91 14,09 15,36
25 0,2946 76,1 72,4 73,4 0,09 6,61 6,29 6,37
Jumlah 4,150 305,39 315,52 307,18

¦ P  
n
w
ik  X ij
V jk i 1
n 73,57 76,01 74
¦ Pik w
i 1

Sehingga Pusat Kluster (V) yang terbentuk pada iterasi pertama :

§ ,75
31 ,72
36 58 ·
,75
¨ ¸
V 1 ¨ ,73
65 ,74
1 ,73
38 ¸
¨ ,73 74 ¸
© 57 ,76
01 ¹

5. Selanjutnya, lakukan perhitungan nilai fungsi objektif pada iterasi ke-t (P ), t

dengan persamaan berikut :

ª § 2º
·
 Vkj  »P
n c m
Pt ¦¦ ¦¨
¨« X ij ik w
¸
¸
i 1 k 1 ©¬j 1 ¼ ¹
§ªm 2º
·
TK1 ¨«¦
¨j1
 X i1 V1 j  »P
 i1 w
¸
¸
©¬ ¼ ¹
§ªm 2º
·
TK 2 ¨«¦
¨j1
 X i 2 V 2 j  »Pi 2 w ¸
¸
©¬ ¼ ¹

19
 §ªm 2º
·
TK 3 ¨«¦
¨j1
 X i 3 V 3 j  »Pi 3 w ¸
¸
©¬ ¼ ¹

Table 1.6 Hasil Perhitungan Fungsi Objektif pada Iterasi Pertama

Kuadrat Derajat Keanggotaan

Siswa
Data ke-i
TK1 TK2 TK3 KT=K1+K2+K3

( Pi 1) 2 ( Pi 2) 2 ( Pi 3) 2

1 0,061 0,365 0,023 0,991 4,494 0,22 5,71

2 0,009 0,074 0,487 0,077 3,282 22,85 26,20

3 0,179 0,0395 0,1432 1,59 1,129 6,46 9,166

4 0,015 0,0002 0,74 1,7 0,014 33,69 35,31

5 0,990 0,56 0,0236 3,1 13,352 0,845 17,22

6 0,260 0,198 0,16 3,8 20,422 17,033 41,23

7 0,004 0,869 0,00005 0,136 9,51 0,001 9,65

8 0,018 0,217 0,16 1,01 5,61 5,053 11,68

9 0,067 0,175 0,103 1,972 10,99 6,211 19,18

10 0,0001 0,716 0,021 0,0037 26,07 0,446 26,52

11 0,025 0,28 0,101 0,751 18,35 7,93 27,1

12 0,018 0,041 0,44 1,434 1,32 10,44 13,19

13 0,346 0,46 0,021 0,8 1,790 0,23 2,79

14 0,005 0,702 0,0081 0,065 0,79 0,06 0,91

15 0,41 0,001 0,116 5,3 0,0024 1,4 6,57

16 0,007 0,464 0,06 0,22 4,976 1,21 6,4

20
17 0,008 0,144 0,3 0,589 11,41 15,98 27,98

18 0,003 0,692 0,012 0,075 16,53 0,25 16,9

19 0,026 0,2528 0,12 0,8157 12,52 4,64 17,97

20 0,0005 0,504 0,08 0,0063 2,835 1,29 4,129

21 0,041 0,19 0,2 0,66 1,87 3,68 6,201

22 0,009 0,093 0,37 0,53 3,621 7,9 12,1

23 0,069 0,036 0,3 3,17 1,1 5,2 9,5

24 0,130 0,037 0,2 0,71 1,08 7,73 9,53

25 0,0005 0,465 0,09 3,1 4,2 1,72 8,92

ª § 2º
·
 Vkj  »P
n c m
Pt ¦¦ ¦¨
¨« X ij ik w
¸
¸ 371,826
i 1 k 1 ©¬j 1 ¼ ¹

6. Hitung perubahan matriks partisi U, dengan persamaan sebagai berikut :

1
ªm 2º
 
2 1
«¦ ij kj »
X V
¬j 1 ¼
Pik 1
ªm 2º
« X ij V kj  »
c 2 1
¦¦
k 1¬j 1 ¼

Table 1.7 Hasil Perhitungan Matriks Partisi Baru

( Pi 3)
( Pi 1) ( Pi 2)
Siswa TK1 TK2 TK3 KT=K1+K2+K3
TK1 KT TK2 KT TK3 KT

1 0,991 4,494 0,22 5,71 0,17378 0,787932 0,038291

2 0,077 3,282 22,85 26,20 0,00293 0,125243 0,871828

21
3 1,59 1,129 6,46 9,166 0,17269 0,123156 0,704155

4 1,7 0,014 33,69 35,31 0,04574 0,000398 0,953864

5 3,1 13,352 0,845 17,22 0,17577 0,775166 0,049065

6 3,8 20,422 17,033 41,23 0,09164 0,495267 0,413093

7 0,136 9,51 0,001 9,65 0,01411 0,985829 6,11E-05

8 1,01 5,61 5,053 11,68 0,086498 0,480624 0,432878

9 1,972 10,99 6,211 19,18 0,102787 0,573387 0,323826

10 0,0037 26,07 0,446 26,52 0,00014 0,983034 0,016826

11 0,751 18,35 7,93 27,1 0,027791 0,67871 0,293499

12 1,434 1,32 10,44 13,19 0,108769 0,099706 0,791525

13 0,8 1,790 0,23 2,79 0,277719 0,641181 0,081099

14 0,065 0,79 0,06 0,91 0,071465 0,866977 0,061558

15 5,3 0,0024 1,4 6,57 0,795914 0,000362 0,203724

16 0,22 4,976 1,21 6,4 0,033109 0,777471 0,18942

17 0,589 11,41 15,98 27,98 0,021016 0,407661 0,571323

18 0,075 16,53 0,25 16,9 0,004417 0,980515 0,015069

19 0,8157 12,52 4,64 17,97 0,045379 0,696607 0,258014

20 0,0063 2,835 1,29 4,129 0,001517 0,686532 0,311951

21 0,66 1,87 3,68 6,201 0,106406 0,301164 0,59243

22 0,53 3,621 7,9 12,1 0,044019 0,30058 0,655401

23 3,17 1,1 5,2 9,5 0,334868 0,115013 0,55012

22
24 0,71 1,08 7,73 9,53 0,074493 0,113594 0,811913

25 3,1 4,2 1,72 8,92 0,342831 0,464411 0,192758

Matriks Partisi Baru (U1) untuk Iterasi 1 adalah sebagai berikut.

ª0,173777 ,0787932 ,0038291 º

« »
« ,000293 ,0
12543 ,0
871828 »
«0,172689 ,0
123156 ,0704155 »
« »
«0,045737 ,0000398 ,0
953864 »
«0,17577 ,0775166 ,0049065 »
« »
«0,09164 ,0495267 ,0413093 »
«0,01411 ,0
985829 11E 05»
,6
« »
«0,086498 ,0480624 ,0432878 »
«0,102787 ,0
573387 323826 »
,0
« »
«0,00014 ,0
983034 ,0016826 »
« »
«0,027791 ,067871 ,0293449 »
«0,108769 ,0099706 ,0791525 »
« »
«0,277719 ,0641181 ,0081099 »
«0,071465 ,0
866977 ,0061558 »
« »
«0,795914 ,0000362 ,0203724 »
«0,033109 ,0777471 18942 »
,0
« »
«0,021016 ,0407661 ,0571323 »
« »
«0,004417 ,0980514 ,0015069 »
«0,045379 ,0696607 ,028014 »
« »
«0,001517 ,0686532 0.311951 »
«0,106406 ,0
301164 59243 »
,0
« »
«0,044019 ,0
30058 ,0655401 »
«0,334868 ,0
115013 55012 »
,0
« »
«0,074493 ,0
113594 ,0811913 »
« »
¬0,342831 ,0464411 ,0
192758 ¼

7. Langkah terakhir adalah dengan mengecek kondisi berhenti dengan ketentuan

sebagai berikut
Jika P
t Pt 1  [  atau (t > iterasi maksimal) maka berhenti. Maka

P1 P0 371,826 - 0 371,826 . Karena 371.826 > 0.001, maka ulangi langkah

23
4. Pada iterasi kedua diperoleh P2 ,1075
862 dan

P2 P1 1075,862 - 371,826 704,036 , karena 704.036 > 0,001, maka ulangi

langkah 4 hingga menemukan  Pt Pt 1 001

 ,0

Setelah melakukan perhitungan manual hingga iterasi ke-15, maka iterasi

berhenti karena hasil fungsi objektif ke-15 yang hasilnya
P15 P14 6367,05 - 6367,05 0 karena 0 < 0,01, maka iterasi berhenti dengan

pusat klusternya ialah :

§ ,74
9 ,74
7 9·
,73
¨ ¸
V 15 ¨ ,74
1 74 ,74
4¸
¨ ,73 4¸
© 9 ,75
4 ,74
¹

Dengan Matriks Partisi Baru (U15) untuk iterasi 15 ialah :

24
 ª0 1 0º
« »
«0 0 1»
«0 0 1»
« »
«0 0 1»
«0 1 0»
« »
«0 1 0»
«0 1 0»
« »
«0 1 0»
«0 1 0»
« »
«0 1 0»
« »
«0 1 0»
«0 0 1»
« »
«0 1 0»
«0 1 0»
« »
«1 0 0»
«0 1 0»
« »
«0 0 1»
« »
«0 1 0»
«0 1 0»
« »
«0 1 0»
«0 0 1»
« »
«0 0 1»
«1 0 0»
« »
«0 0 1»
« »
¬1 0 0¼

Jadi, dari hasil perhitungan matriks partisi U15. Maka nilai rata-rata sebelum
peminatan dibandingkan dengan derajat keanggotaan pada iterasi terakhir,
sehingga mengetahui siswa masuk pada kluster yang mana, apakah sesuai dengan
peminatan yang siswa pilih atau tidak.

25
 Tabel 1.8 Derajat Keanggotaan Tiap Data Pada Setiap Klaster dengan
FCM (Pada Iterasi Terakhir)

Nilai Rata-Rata Sebelum Derajat Keanggotaan

Siswa Data Masuk Pada Kluster
Peminatan Pada Iterasi Terakhir

X1 X2 X3 ( Pi 1) ( Pi 2) ( Pi 3) C1 C2 C3

1 72,2 74,8 76,5 0 1 0 *

2 74,9 76,5 67,3 0 0 1 *

3 77,5 70,6 74,6 0 0 1 *

4 68,1 77,1 77.8 0 0 1 *

5 76,6 71,3 76,1 0 1 0 *

6 78,2 76,4 64,6 0 1 0 *

7 70,4 74,5 72,9 0 1 0 *

8 75,3 75,2 68,7 0 1 0 *

9 77,1 73,7 80,5 0 1 0 *

10 71,5 77,6 77,8 0 1 0 *

11 74 69,8 80,3 0 1 0 *

12 72,8 78,4 69,8 0 0 1 *

13 73,7 73,9 71,4 0 1 0 *

14 73,1 73,9 72,5 0 1 0 *

15 71.9 73.2 74.9 1 0 0 *

16 74,3 73,2 70,3 0 1 0 *

17 78,3 79,2 79 0 0 1 *

26
18 71,8 74,3 77,9 0 1 0 *

19 74,1 75,3 80,3 0 1 0 *

20 74,7 72,4 72,1 0 1 0 *

21 74 71,3 71,9 0 0 1 *

22 70,6 78,5 76,6 0 0 1 *

23 76,8 78,6 73,5 1 0 0 *

24 75,3 71,2 77,6 0 0 1 *

25 76,1 72,4 73,4 1 0 0 *

Pusat Klaster V15 dapat menentukan kelompok peminatan .

§ ,74
9 ,74
7 9·
,73
¨ ¸
V 15 ¨ ,74
1 74 ,74
4¸
¨ ,73 4¸
© 9 ,75
4 ,74
¹
Dari data tersebut, diperoleh tiga kelompok berdasarkan nilai rata-rata mata pelajaran
peminatan, yaitu :
x Kelompok pertama, terdiri atas siswa yang memiliki nilai rata-rata mata pelajaran
peminatan Mia sekitar 74,9; nilai rata-rata mata pelajaran IPS sekitar 74,7; dan
nilai rata-rata mata pelajaran peminatan Bahasa sekitar 73,9.
x Kelompok kedua, terdiri atas siswa yang memiliki nilai rata-rata mata pelajaran
peminatan Mia sekitar 74,1; nilai rata-rata mata pelajaran IIS sekitar 74; dan nilai
rata-rata mata pelajaran peminatan Bahasa sekitar 74,4.
x Kelompok ketiga, terdiri atas siswa yang memiliki nilai rata-rata mata pelajaran
peminatan Mia sekitar 73,9; nilai rata-rata mata pelajaran IIS sekitar 75,4; dan
nilai rata-rata mata pelajaran peminatan Bahasa sekitar 74,3.

a. Pada klaster baris pertama, nilai yang paling tinggi berada pada kolom pertama
(peminatan MIA), maka klaster pertama merupakan kelompok peminatan MIA.

27
 b. Pada klaster baris kedua, nilai yang paling tinggi berada pada kolom ketiga
(peminatan Bahasa), maka klaster kedua merupakan kelompok peminatan Bahasa.
c. Pada klaster baris ketiga, nilai yang paling tinggi berada pada kolom kedua
(peminatan IIS), maka klaster ketigaa merupakan kelompok peminatan IIS.

Tabel 1.9 Hasil Peminatan yang Dipilih dan Hasil Peminatan yang
Dihasilkan oleh FCM

Nilai Rata-Rata Mata

Nilai Rata-Rata Mata Pelajaran
Siswa Pelajaran Sebelum Peminatan
Setelah Peminatan
Peminatan

Yang di
MIA IIS Bahasa FCM Kelas X Kelas XI Kelas XII
Pilih

1 72,2 74,8 76,5 Bahasa Bahasa 75,5 76,7 81

2 74,9 76,5 67,3 IIS IIS 66 69 78

3 77,5 70,6 74,6 MIA IIS 76 85 85

4 68,1 77,1 77.8 Bahasa IIS 89 90 92

5 76,6 71,3 76,1 MIA Bahasa 72,8 71,5 72,5

6 78,2 76,4 64,6 MIA Bahasa 65,5 70,4 74,3

7 70,4 74,5 72,9 IIS Bahasa 69 65,5 74

8 75,3 75,2 68,7 IPA Bahasa 70,5 72,5 74,2

9 77,1 73,7 80,5 Bahasa Bahasa 76,25 75,5 78,9

10 71,5 77,6 77,8 Bahasa Bahasa 77,5 79,5 80,5

11 74 69,8 80,3 Bahasa Bahasa 78 76,5 82

12 72,8 78,4 69,8 IIS IIS 65 71 69

28
13 73,7 73,9 71,4 IIS Bahasa 71,5 74 69,5

14 73,1 73,9 72,5 IIS Bahasa 67,5 65 74

15 71.9 73.2 74.9 Bahasa MIA 69,5 70 74

16 74,3 73,2 70,3 MIA Bahasa 68 71 71

17 78,3 79,2 79 IIS IIS 70 70 74

18 71,8 74,3 77,9 Bahasa Bahasa 76 80,5 79

19 74,1 75,3 80,3 Bahasa Bahasa 81,5 82,5 80,5

20 74,7 72,4 72,1 MIA Bahasa 74 71 74,5

21 74 71,3 71,9 MIA IIS 69,5 73,5 74

22 70,6 78,5 76,6 IIS IIS 82,5 79,5 83,5

23 76,8 78,6 73,5 IIS MIA 72,5 70,5 74

24 75,3 71,2 77,6 Bahasa IIS 65,5 70,5 73,8

25 76,1 72,4 73,4 MIA MIA 65 72 72

Tabel 1.10 Tabel Akurasi Hasil Pengamatan FCM

Nilai Rata-Rata Mata

Nilai Rata-Rata Mata Pelajaran
Siswa Pelajaran Sebelum Peminatan
Setelah Peminatan
Peminatan

Yang di
MIA IIS Bahasa FCM Kelas X Kelas XI Kelas XII
Pilih

1 72,2 74,8 76,5 Bahasa Bahasa Akurat Akurat Akurat

IIS IIS Tidak Tidak

2 74,9 76,5 67,3 Akurat
Akurat Akurat

29
 MIA IIS Tidak Tidak Tidak
3 77,5 70,6 74,6
Akurat Akurat Akurat

Bahasa IIS Tidak Tidak Tidak

4 68,1 77,1 77.8
Akurat Akurat Akurat

5 76,6 71,3 76,1 MIA Bahasa Akurat Akurat Akurat

6 78,2 76,4 64,6 MIA Bahasa Akurat Akurat Akurat

7 70,4 74,5 72,9 IIS Bahasa Akurat Akurat Akurat

8 75,3 75,2 68,7 IPA Bahasa Akurat Akurat Akurat

9 77,1 73,7 80,5 Bahasa Bahasa Akurat Akurat Akurat

10 71,5 77,6 77,8 Bahasa Bahasa Akurat Akurat Akurat

11 74 69,8 80,3 Bahasa Bahasa Akurat Akurat Akurat

IIS IIS Tidak Tidak Tidak

12 72,8 78,4 69,8
Akurat Akurat Akurat

13 73,7 73,9 71,4 IIS Bahasa Akurat Akurat Akurat

14 73,1 73,9 72,5 IIS Bahasa Akurat Akurat Akurat

15 71.9 73.2 74.9 Bahasa MIA Akurat Akurat Akurat

16 74,3 73,2 70,3 MIA Bahasa Akurat Akurat Akurat

IIS IIS Tidak Tidak Tidak

17 78,3 79,2 79
Akurat Akurat Akurat

18 71,8 74,3 77,9 Bahasa Bahasa Akurat Akurat Akurat

19 74,1 75,3 80,3 Bahasa Bahasa Akurat Akurat Akurat

20 74,7 72,4 72,1 MIA Bahasa Akurat Akurat Akurat

21 74 71,3 71,9 MIA IIS Akurat Akurat Akurat

22 70,6 78,5 76,6 IIS IIS Akurat Akurat Akurat

30
23 76,8 78,6 73,5 IIS MIA Akurat Akurat Akurat

24 75,3 71,2 77,6 Bahasa IIS Akurat Akurat Akurat

MIA MIA Tidak Tidak Tidak

25 76,1 72,4 73,4
Akurat Akurat Akurat

3. Penerapan Index XB (Xie-Beni) dalam Mengukur Keakuratan Cluster

Ukuran kevalidan cluster merupakan proses evaluasi hasil clustering untuk
menentukan cluster mana yang terbaik.
c n

¦¦
2
Pik w u X ij Vkj
i 1 j 1
XB 2
n u min k , j Vk Vj

c = banyak kluster
n = banyak objek yang dikelompokkan
Pik = derajat keanggotaan fuzzy
w = pangkat pembobotan
nu min k , j Vk V j = jarak minimum antara pusat klaster Vk dan Vj

Dengan menggunakan persamaan diatas dapat menentukan nilai index xie-beni

yang bertujuan agar dapat menentukan keakuratan peminatan siswa dengan melihat
nilai dari index xie-beni dari tiap klaster. Hasilnya didapatkan nilai index XB untuk
setiap klaster seperti pada table 1.12

Tabel 1.11 Tabel Akurasi Hasil Index Xie-Beni

Cluster Index Xie-Beni

C1 6367,03

C2 25468,1

C3 1018,72

31
 Dari hasil perhitungan ini didapat suatu hasil dimana klaster 1 akan dinyatakan
³cukup akurat´, NOXVWHU DNDQ GLQ\DWDNDQ ³sangat akurat´, GDQ klaster 3 akan dinyatakan
³WLGDN akurat´.
Tabel 1.12 Tabel Akurasi Hasil Index Xie-Beni

Siswa Derajat Keanggotaan

Klaster Keakuratan
( Pi 1) ( Pi 2) ( Pi 3)

1 0 1 0 C2 Sangat Akurat

2 0 0 1 C3 Cukup Akurat

3 0 0 1 C3 Cukup Akurat

4 0 0 1 C3 Cukup Akurat

5 0 1 0 C2 Sangat Akurat

6 0 1 0 C2 Sangat Akurat

7 0 1 0 C2 Sangat Akurat

8 0 1 0 C2 Sangat Akurat

9 0 1 0 C2 Sangat Akurat

10 0 1 0 C2 Sangat Akurat

11 0 1 0 C2 Sangat Akurat

12 0 0 1 C3 Cukup Akurat

13 0 1 0 C2 Sangat Akurat

14 0 1 0 C2 Sangat Akurat

15 1 0 0 C1 Akurat

32
16 0 1 0 C2 Sangat Akurat

17 0 0 1 C3 Cukup Akurat

18 0 1 0 C2 Sangat Akurat

19 0 1 0 C2 Sangat Akurat

20 0 1 0 C2 Sangat Akurat

21 0 0 1 C3 Cukup Akurat

22 0 0 1 C3 Cukup Akurat

23 1 0 0 C1 Akurat

24 0 0 1 C3 Cukup Akurat

25 1 0 0 C1 Sangat Akurat

33
 BAB IV
PENUTUP

4.1 Kesimpulan
1. Fuzzy C-Means (FCM) adalah suatu teknik pengklasteran data yang
keberadaan tiap-tiap data dalam suatu cluster ditentukan oleh nilai/derajat
keanggotaan tertentu. Algoritma Fuzzy C-Means ialah sebagai berikut:
a) Input data yang akan di-cluster X, berupa matriks berikut berukuran
n u m (n = jumlah sample data, m = atribut setiap data), dimana X adalah
ij

data sample ke-i (i=1,2,3,..,n), atribut ke-j (j=1,2,3,..m)

b) Selanjutnya, tentukan nilai-nilai awal perhitungan seperti, jumlah cluster,
pangkat, iterasi maksimal, error terkecil yang diharapkan( [ ), fungsi
objektif awal dan iterasi awalnya.
Tentukan :
Jumlah cluster = c;
Pangkat (bobot) =w;
Maksimum iterasi = Maxlter;
Error terkecil =[ ;

Fungsi objektif awal =(P0)=0;

Iterasi awal =(t)=1;
c) Bangkitkan nilai random dalam bentuk elemen matriks partisi awal U
Pik , i ,1,2
3,..n; k ,1,2,...3
c)

d) Hitung pusat cluster ke-k; Vjk GLPDQD N ,,,..,F GDQ M ,,,«,P .

e) Selanjutnya, lakukan perhitungan nilai fungsi objektif pada iterasi ke-t(Pt).
f) Hitung perubahan matriks partisi U.
g) Langkah terakhir adalah dengan mengecek kondisi berhenti dengan
ketentuan sebagai berikut
a. Jika  Pt Pt 1  [  atau (t> iterasi maksimal) maka berhenti

h) Jika tidak, maka t=t+1 kemudian ulangi langkah 4.

2. Penerapan algoritma Fuzzy C-Means dalam penentuan jurusan di SMA,
dikelompokan kedalam tiga (3) kelompok. Yaitu kelompok MIA, IIS dan
Bahasa.

34
4.2 Saran
a. Bagi yang menginginkan menggunakan algoritma fuzzy c-means dapat
menggunakannya pada kasus untuk menentukan besar uang kuliah tunggal
mahasiswa dan sebagiannya.

35