Pengelompokan terbaik berdasarkan algoritma K-means dan fuzzy C-means pada analisis kelompok non-hirarki
| Main Author: | DinaAthiaKirana |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2008
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/151887/1/050802434.pdf http://repository.ub.ac.id/151887/ |
Daftar Isi:
- Peubah tunggal seringkali tidak cukup untuk mengetahui karakteristik populasi secara menyeluruh. Oleh karena itu, peubah yang diamati di dalam suatu penelitian umumnya lebih dari satu peubah atau banyak peubah. Analisis peubah ganda merupakan bagian dari metode statistika yang analisisnya melibatkan banyak peubah secara simultan salah satunya adalah analisis yang bertujuan untuk mengelompokkan n objek data ke dalam k kelompok dengan k < n berdasarkan p peubah, sehingga objek data dalam satu kelompok mempunyai ciri-ciri yang lebih homogen dibandingkan objek data dalam kelompok lain. Metode analisis kelompok pada dasarnya ada dua, yaitu metode pengelompokan hirarki dan metode pengelompokan non-hirarki. Beberapa prosedur pengelompokan non-hirarki adalah algoritma K-Means dan Fuzzy C-Means . Algoritma K-Means mengelompokkan objek data berdasarkan derajat keanggotaan dengan nilai 0 dan 1 untuk setiap objek data yang menjadi anggota suatu kelompok. Sedangkan algoritma Fuzzy C-Means mengelompokkan tingkat keanggotaan antara 0 sampai 1. Dalam algoritma Fuzzy C-Means terdapat koefisien parameter Fuzzification (w) yang mengubah besaran pengaruh derajat keanggotaan dan nilai maksimal yang umum digunakan adalah 2. Dalam menentukan banyaknya kelompok yang optimal dipilih indeks Xie-Beni terkecil. Metode yang digunakan untuk mengukur tingkat kebaikan kedua algoritma pengelompokan tersebut adalah metode pembandingan Cluster Tightness Measure (CTM). Setelah dilakukan penelitian, disimpulkan bahwa data berskala rasio dapat digunakan pada algoritma K-Means dan Fuzzy C-Means , nilai w yang optimal antara 1,25 sampai 1.5 dan . algoritma Fuzzy C-Means merupakan pengelompokan yang lebih optimal dibandingkan dengan algoritma K-Means .