PERBANDINGAN METODE FUZZY C -MEANS … · = sampel random ke j, j=1,2, ... Hipotesis yang digunakan...
Transcript of PERBANDINGAN METODE FUZZY C -MEANS … · = sampel random ke j, j=1,2, ... Hipotesis yang digunakan...
Surabaya, 19 September 2011 Seminar Proposal Tesis
PERBANDINGAN METODE FUZZY C-MEANS CLUSTERING DAN FUZZY C-SHELL CLUSTERING
(STUDI KASUS: KABUPATEN/KOTA DI PULAU JAWA BERDASARKAN VARIABEL PEMBENTUK INDEKS
PEMBANGUNAN MANUSIA)
Oleh:AGUS WIDODO
NRP. 1310201707
Dosen Pembimbing:Dr. Purhadi, M.Sc
PROGRAM MAGISTER STATISTIKAJURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAMINSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA2011
Surabaya, 5 Januari 2012 Seminar Tesis
OUTLINE
2
Pendahuluan1
Kajian Pustaka2
Metodologi3
Hasil dan Pembahasan4
Kesimpulan5
Surabaya, 5 Januari 2012 Seminar Tesis
LATAR BELAKANG
Proses pengelompokkan dengan hard clustering, setiapelemen menjadi anggota secara ekslusif dari suatu kelompoktertentu dengan batasan yang jelas, dalam prakteknyakondisi ketidakpastian lebih sering ditemui dalammengklasifikasikan suatu kondisi.
3
PENDAHULUAN
Analisis Kelompok
Menggelompokkan n objek pengamatan ke dalam c kelompok (c < n)
Ekspolorasi data,
Surabaya, 5 Januari 2012 Seminar Tesis
LATAR BELAKANG
Muncul teori himpunan fuzzy (kabur, tidak pasti) yang mendasariberkembangnya metode fuzzy clustering,
Fuzzy clustering : metode pengelompokkan dengan menggunakanteori himpunan fuzzy.
Metode fuzzy c-means cluster sering digunakan dalam melakukanpengelompokan, karena metode ini memberikan hasil yang halusdan cukup efektif (Shihab, 2000), dalam penelitian ini digunakanmetode fuzzy c-shell cluster untuk metode pembanding.
4
1. Metode fuzzy c-means cluster2. Metode fuzzy c-shell cluster3. Metode fuzzy substractive,dll
Surabaya, 5 Januari 2012 Seminar Tesis
LATAR BELAKANG
Indeks Pembangunan Manusia (IPM), tinggirendahnya ditunjukkan dengan menggunakanindeks komposit.
Menggunakan variabel pembentuk IPM, Dengan pengelompokkan, digunakan sebagai
bahan perencanaan serta evaluasi sasaranprogram pemerintah
5
Surabaya, 5 Januari 2012 Seminar Tesis
RUMUSAN MASALAH
Bagaimana optimasi fungsi objektif denganmetode fuzzy c-means dan fuzzy c-shell cluster?
Bagaimana membangun algoritmapengelompokan dengan menggunakan metodefuzzy c-means dan fuzzy c-shell cluster denganindeks validitas cluster?
Bagaimana pengelompokan antara metode fuzzyc-means dan fuzzy c-shell cluster dalam kasuspengelompokan kab/kota di pulau Jawaberdasarkan variabel pembentuk IPM?
6
PENDAHULUAN
Surabaya, 5 Januari 2012 Seminar Tesis
TUJUAN PENELITIAN
Mengkaji optimasi fungsi objektif untuk metodefuzzy c-shell cluster dan fuzzy c-means cluster.
Membangun algoritma pengelompokan denganmetode fuzzy c-shell cluster dan fuzzy c-meanscluster dengan menggunakan indeks validitascluster.
Membandingkan pengelompokan dari hasilmetode fuzzy c-shell cluster dan fuzzy c-meanscluster pada pengelompokan kabupaten/kota diPulau Jawa berdasarkan variabel pembentukIPM.
7
PENDAHULUAN
Surabaya, 5 Januari 2012 Seminar Tesis
MANFAAT PENELITIAN
Memberikan tambahan wawasan keilmuan sertamemperdalam konsep dan teori pada metode fuzzyclustering, terutama fuzzy c-shell cluster dan fuzzy c-meanscluster .
Menjadi salah satu alternatif dalam kasus pengelompokankabupaten/kota menurut variabel pembentuk IPM bagiBPS serta dapat menjadi acuan bagi Pemerintah Daerahkhususnya pemerintahan daerah di Pulau Jawa dalammengambil suatu kebijakan untuk mengatasi masalahpembangunan kualitas hidup manusia.
8
PENDAHULUAN
Surabaya, 5 Januari 2012 Seminar Tesis
BATASAN MASALAH
Membandingkan antara metode fuzzy c-shellcluster dan fuzzy c-means cluster dalam kasuspengelompokan kabupaten/kota di Pulau Jawaberdasarkan variabel pembentuk IPM.
Data yang digunakan dalam penelitian iniadalah data sekunder yang terdiri dari variabel-variabel pembentuk IPM pada Tahun 2008
9
PENDAHULUAN
Surabaya, 5 Januari 2012 Seminar Tesis
OUTLINE
10
Pendahuluan1
Kajian Pustaka2
Metodologi3
Hasil dan Pembahasan4
Kesimpulan5
Surabaya, 5 Januari 2012 Seminar Tesis
DISTRIBUSI MULTIVARIAT NORMAL
Pengujian data normal multivariat diuji dengan membandingkan jarak kuadrat (Johnson dan Wichern, 2002):
= sampel random ke j, j=1,2,…,n = vektor rata-rata kolom = invers matrik varians kovariansHipotesis yang digunakan adalah: H0 : data berdistribusi normal multivariat H1 : data tidak berdistribusi normal multivariatH0 gagal ditolak jika persentase nilai lebih dari 50%. 11
KAJIAN PUSTAKA
( ) ( )2 1j j jd X X S X X−′= − −
2.1
jXX
1S −
2 2,j pd αχ<
Surabaya, 5 Januari 2012 Seminar Tesis
UJI COVARIAN VEKTOR UNTUK BEBERAPA POPULASI
Hipotesisnya adalah sebagai berikut :
Statistik uji yang digunakan adalah (Rencher, 2002) :
Diterima , maka matriks varians-kovarians bersifat homogen jika:
12
KAJIAN PUSTAKA
2.2
0 1 2: ... cH Σ = Σ = = Σ
1 : paling sedikit ada satu yang berbedaiH ∑
21 1 1
1 12(1 ) ln ln2 2
c chitung i i pool ii i
p b S S bχ= =
= − − − ∑ ∑
2 21 ( 1) ( 1),2
hitung c q q αχ χ
− +≤
Surabaya, 5 Januari 2012 Seminar Tesis
UJI MEAN VEKTOR UNTUK BEBERAPA POPULASI
Hipotesisnya sebagai berikut :
Dengan statistik uji sebagai berikut :
H0 ditolak apabila: dengan dan
13
KAJIAN PUSTAKA
2.3( )( )
( )( )1 1*
1 1
i
i
nc T
ij i ij ii j
nc T
ij iji j
X X X X
X X X X
= =
= =
− −
Λ =
− −
∑∑
∑∑
0 1 2: ... cH µ µ µ µ= = = =
1 : paling sedikit ada satu yang berbedaiH µ
*; ; ;H Eq v vαΛ < Λ 1hv k= −
1
kE ii
v n k n k=
= − = −∑
Surabaya, 5 Januari 2012 Seminar Tesis
ANALISIS CLUSTER
14
KAJIAN PUSTAKA
Metode hierarki: Agglomerative (penggabungan): pautan tunggal
(single linkage), pautan lengkap (complete linkage), pautan rata-rata (average linkage), metode ward (ward’s method),
Divisive (pemecahan)
Metode non hierarki: K-means, K-medoid
Surabaya, 5 Januari 2012 Seminar Tesis
TEORI HIMPUNAN FUZZY
Zadeh (1965), yang menyatakan bahwaketidakpastian dapat didekati dengan model lainselain dengan pendekatan probabilitas yangdikenal dengan konsep himpunan fuzzy (fuzzy set= himpunan kabur).
Konsep dari himpunan fuzzy sejalan denganhimpunan tegas, hanya saja derajat atau tingkatkeanggotaan dari himpunan fuzzy tersebutbersifat kontiyu dimana nilainya dalam interval[0,1].
15
KAJIAN PUSTAKA
Surabaya, 5 Januari 2012 Seminar Tesis
FUZZY C-MEANS CLUSTER (FCM) Merupakan pengembangan metode non hierarki dari
K-means cluster. Diperkenalkan oleh Dunn (1973), kemudian
dikembangkan oleh Bezdek (1981), yangmemperkenalkan suatu variabel m yang merupakanweigthing exponent dari fungsi keanggotaan.
Dengan pendekatan FCM, setiap objek ke-k dianggapmenjadi anggota dari semua kelompok ke-i denganfungsi keanggotaan 0 sampai ke 1. Keputusan objekke-k menjadi anggota kelompok ke-i berdasarkanfungsi keanggotaan yang terbesar.
16
KAJIAN PUSTAKA
Surabaya, 5 Januari 2012 Seminar Tesis
FUZZY C-MEANS CLUSTER (FCM) Rumus fungsi keanggotaanya:
Formulasi jarak yang digunakan adalah jarak euclidian ,dengan rumus sebagai berikut :
Nilai pusat kelompok , dirumuskan :
17
KAJIAN PUSTAKA
2.3
2.4
2.5
112 1
21
mcik
ikj jk
dud
−
−
=
=
∑
22 ( , ) ( ) ( )Tik k i k i k i k id x v x v x v x v= − = − −
1
1
nmik k
ki n
mik
k
u xv
u
=
=
=∑
∑
iv
iv
Surabaya, 5 Januari 2012 Seminar Tesis
FUZZY C-MEANS CLUSTER (FCM) Setiap data memiliki derajat keanggotaan untuk setiap
kelompok, dengan melakukan perulangan akanmemperbaiki pusat kelompok dan derajat keanggotaan,sehingga pusat kelompok akan bergerak menuju lokasiyang tepat. Perulangan ini berdasarkan pada minimalisasifungsi objektif. Kondisi minimum pada fungsi objektifdiberikan melalui optimasi parameter dan
Fungsi objektif pada FCM adalah :
18
KAJIAN PUSTAKA
2.62
1 1( ) ( ) ( , )
c nm
FCM ik ik k ii k
J u d x v= =
=∑∑X,U,V
Surabaya, 5 Januari 2012 Seminar Tesis
ALGORITMA FCM:1. Menentukan :
Jumlah kelompok yang akan dibentuk (2 ≤ c ≤ n) Weigthing exponent (m=2); Maksimum iterasi; Fungsi objektif awal = 0; Iterasi awal, t=1
2. Inisialisasi matrik fungsi keanggotaan awal , biasanya secara acak.
3. Menghitung nilai pusat kelompok ke-k 4. Menghitung matriks fungsi keanggotaan yang baru5. Menbandingkan nilai keanggotaan dalam matriks , jika
maka sudah konvergen. Nilai treshold (ε )adalah suatu nilai yang sangat kecil mendekati 0. Jika
kembali ke langkah 3.19
KAJIAN PUSTAKA
Surabaya, 5 Januari 2012 Seminar Tesis
FUZZY C-SHELL CLUSTER (FCS) Diperkenalkan oleh Dave (1992) Algoritma pada fuzzy c-shell cluster, bentuk
dasar dari kelompok adalah p-dimensi hyper-spherical shell, yang dapat dikarakteristikanoleh pusat (v) dan jari-jari (r).
20
KAJIAN PUSTAKA
Surabaya, 5 Januari 2012 Seminar Tesis
FUZZY C-SHELL CLUSTER (FCS) Formulasi jarak yang digunakan adalah jarak euclidian,
dengan pusat dan jari-jari . Dengan rumus sebagai berikut :
Fungsi keanggotaanya, dengan
21
KAJIAN PUSTAKA
2.7
2.8
( )22 ( , )ik k i k i id x v x v r= − −
112 1
21
( , )( , )
mnik k i
ikj jk k j
d x vud x v
−
−
=
=
∑
Surabaya, 5 Januari 2012 Seminar Tesis
FUZZY C-SHELL CLUSTER (FCS)
22
Jari-jari dan pusat kelompok dirumuskan :
2.9
2.10
1
1
nmik k i
ki n
mik
k
u x vr
u
=
=
−=∑
∑
1
1
nmik k
ki n
mik
k
u xv
u
=
=
=∑
∑
Surabaya, 5 Januari 2012 Seminar Tesis
ALGORITMA FCS
23
KAJIAN PUSTAKA
1. Menentukan : Jumlah kelompok yang akan dibentuk (2 ≤ c ≤ n) Weigthing exponent (m=2); Maksimum iterasi; Fungsi objektif awal = 0; Iterasi awal, t=1
2. Inisialisasi matrik fungsi keanggotaan awal , biasanya secara acak.
3. Menghitung nilai pusat kelompok ke-k dan jari-jarinyaserta jarak dari objek ke pusat kelompok
4. Menghitung matriks fungsi keanggotaan yang baru5. Menbandingkan nilai keanggotaan dalam matriks , jika
maka sudah konvergen. Nilai treshold (ε ) adalah suatu nilai yang sangat kecil mendekati 0. Jika
kembali ke langkah 3.
Surabaya, 5 Januari 2012 Seminar Tesis
INDEKS VALIDITAS
Indeks validitas adalah suatu ukuran yang digunakan untukmenentukan jumlah kelompok yang optimal, dengan dicoba untukbeberapa nilai jumlah kelompok.
Indeks koefisien partisi (Partition Coefficient/PC)
Jumlah kelompok yang optimum jika nilai indeks yang maksimum
Indeks Partition Entropy Coefficient/PE)
Jumlah kelompok yang optimum jika nilai indeks yang maksimum.
24
KAJIAN PUSTAKA
2
1 1
1( )c n
PC iki k
I c un = =
= ∑∑ 2.11
1 1
1( ) lnc n
PE ik iki k
I c u un = =
= ∑∑ 2.12
Surabaya, 5 Januari 2012 Seminar Tesis
INDEKS VALIDITAS
Indeks Partition Index (PI)
Jumlah kelompok yang optimum diberikan oleh nilai PI yangminimum.
Indeks Xie dan Beni (XB)
Jumlah kelompok yang optimum jika indeks XB yang minimum25
KAJIAN PUSTAKA
2
1 1
2
1
( )
c nmik ik
i kPI c
iji
u dI c
n d
= =
=
=∑∑
∑
2 2
1 12( )
min
c n
ik iki k
PI
ij i j
u dI c
n v v= ==
−
∑∑
2.13
2.14
Surabaya, 5 Januari 2012 Seminar Tesis
INDEKS PEMBANGUNAN MANUSIA
Angka harapan hidupRata-rata tahun hidup yang akan dijalani oleh bayi yang baru lahir pada suatu tahun tertentu
Angka melek hurufPersentase penduduk 15 tahun ke atas yang dapat membaca dan menulis dibagi dengan total penduduk 15 tahun ke atas.
Rata-rata lama sekolahRata-rata jumlah tahun yang dihabiskan oleh penduduk di seluruh jenjang pendidikan formlai yang pernah dijalani.
Pengeluaran riil per kapita per bulanRata-rata pengeluaran riil rumah tangga selama sebulan di bagi rata-rata jumlah anggota rumah tangga. 26
KAJIAN PUSTAKA
Surabaya, 5 Januari 2012 Seminar Tesis
OUTLINE
27
Pendahuluan1
Kajian Pustaka2
Metodologi3
Hasil dan Pembahasan4
Kesimpulan5
Surabaya, 5 Januari 2012 Seminar Tesis
SUMBER DATA DAN ALAT PENELITIAN
Data yang digunakan dalam penelitian ini adalah datasekunder yang diperoleh dari Publikasi Badan Pusat Statistik(BPS) 2009 mengenai IPM menurut kabupaten/kota.Komponen-komponen IPM tersebut dipakai sebagai variabeldalam penelitian ini. Variabel tersebut yaitu:X1 = Angka harapan hidup (tahun)X2 = Angka melek huruf (persen)X3 = Rata-rata lama sekolah (tahun)X4 = Rata-rata pengeluaran riil per kapita per bulan
(ribuan Rp) Obyek dari penelitian ini adalah kabupaten/kota di pulau
Jawa sebanyak 110 kabupaten/kota, terdiri dari 32 kota dan78 kabupaten.
Program statistik, yang akan digunakan dalam pengolahandata yaitu paket program R dan Matlab 2009a 28
METODOLOGI
Surabaya, 5 Januari 2012 Seminar Tesis
TAHAPAN PENELITIAN
Melakukan kajian metode FCM dan FCS : Melakukan optimasi dengan pengganda
lagrange untuk mendapatkan nilai optimumfungsi objektif FCM, sehingga didapatkannilai parameter dan yang optimum
Melakukan optimasi dengan penggandalagrange untuk mendapatkan nilai optimumfungsi objek FCS, sehingga didapatkan nilaiparameter , dan yang optimum
29
METODOLOGI
Surabaya, 5 Januari 2012 Seminar Tesis
TAHAPAN PENELITIAN
Dengan menggunakan algoritma FCM dan FCSmembentuk kelompok mulai dari c = 2 sampaidengan c=10.
Melakukan penghitungan nilai indeks validitas,untuk semua kelompok, indeks validitas yangdigunakan adalah indeks Xie dan Beni.
Mendapatkan jumlah kelompok yang optimum sesuaidengan nilai indeks validitasnya, baik dengan metodeFCM dan FCS.
Melakukan uji Multivariat Normal, Mean vektor dancovarian Vektor dari hasil pengelompokan diatas.
Setelah didapatkan jumlah kelompok yang optimum,dapat dilakukan interpretasi kelompoknya dan siapuntuk dianalisis lebih lanjut. 30
Surabaya, 5 Januari 2012 Seminar Tesis
OUTLINE
33
Pendahuluan1
Kajian Pustaka2
Metodologi3
Hasil dan Pembahasan4
Kesimpulan5
Surabaya, 5 Januari 2012 Seminar Tesis
HASIL DAN PEMBAHASAN
Optimasi Fungsi Objektif FCMFungsi objektif untuk FCM J(X,U,V) adalah:
dengan menggunakan pengganda lagrange dengan constrain untuk memperoleh nilai parameter dan sehingga menjadi:
34
2
1 1( ) ( )
c nm
FCM ik iki k
J u d= =
=∑∑X, U, V
1 1
( ) ( ) 1n c
FCM FCM k ikk i
L J uλ= =
= + −
∑ ∑X,U,V X,U,V
11
c
iki
u=
=∑
4.1
4.2
Surabaya, 5 Januari 2012 Seminar Tesis
HASIL DAN PEMBAHASAN
Untuk mencari nilai optimum dan dilakukan dengan menurunkan fungsi lagrange terhadap masing-masing parameter dan kemudian disamakan dengan nol, untuk :
35
2 2
1 1 1 1 1 1
2
1 1
1 1
( ) 1 ( )
( )( ) ( ) ( )
(
n c n c n cm m
ik ik k ik ik ikk i k i k iFCM
i i i
n cm
ik k i n ck i m TFCM
ik k i k ik ii i i
FCMi
i
u d u u dL
v v v
u x vL u x v x v
v v vL u
v
λ= = = = = =
= =
= =
∂ + − ∂ ∂ = =∂ ∂ ∂
∂ − ∂ ∂ = = − − ∂ ∂ ∂
∂=
∂
∑∑ ∑ ∑ ∑∑
∑∑∑∑
( ) ( )
( ) ( )
1 1 1 1
1 1
1
1
) 2 ( ) 2 0
( ) 2 ( ) 2 0
( )
( )
n c n cm m
k k ik ik i k i
n nm m
ik k ik ik k
nm
ik kk
i nm
ikk
x u v
u x u v
u xv
u
= = = =
= =
=
=
− + =
− + =
=
∑∑ ∑∑
∑ ∑
∑
∑
4.3
Surabaya, 5 Januari 2012 Seminar Tesis
HASIL DAN PEMBAHASAN
Untuk
36
( )
( )
( )
2
1 1 1 1 1 2
1 1
2
1
1 1
21
1 ( 1)
1 1
21
1
2
( ) 10
dengan 1
1
1
1
1
1
n c n cm
ik ik k ikk i k i mFCM
ik ik kik ik
m
kik
ik
c
iki
mck
i ik
mk
mc
i ik
ik
jk
u d uL mu du u
umd
u
md
m
d
u
d
λλ
λ
λ
λ
= = = = −
−
=
−
=
−
−
=
∂ + − ∂ = = − =
∂ ∂
=
=
=
=
=
∑∑ ∑ ∑
∑
∑
∑
( ) ( )
1 ( 1)
21 1 12
21 1
1 1m
m mc cik
ik
j j jk
d dd
−
− −
= =
=
∑ ∑4.3
Surabaya, 5 Januari 2012 Seminar Tesis
HASIL DAN PEMBAHASAN
Optimasi Fungsi Objektif FCSFungsi objektif untuk FCS J(X,U,V,R) adalah:
dengan menggunakan pengganda lagrange dengan constrain untuk memperoleh nilai parameter , dan sehingga menjadi:
37
2
1 1( , ) ( )
c nm
FCS ik iki k
J u d= =
=∑∑X,U,V R
11
c
iki
u=
=∑
1 1
( , ) ( , ) 1n c
FCS FCS k ikk i
L J uλ= =
= + −
∑ ∑X,U,V R X,U,V R
4.4
4.5
Surabaya, 5 Januari 2012 Seminar Tesis
HASIL DAN PEMBAHASAN
Dengan cara yang sama, maka diperoleh nilai :
38
( )1 12
21
1ik m
cik
j jk
udd
−
=
=
∑
1
1
( )
( )
nm
ik kk
i nm
ikk
u xv
u
=
=
=∑
∑
1
1
( )
( )
nm
ik k ik
i nm
ikk
u x vr
u
=
=
−=∑
∑
Surabaya, 5 Januari 2012 Seminar Tesis
HASIL DAN PEMBAHASAN
Statistik Deskriptif
Pengujian Distribusi Multivariate Normal menunjukan bahwa persentase nilai sebesar 61,53 persen.Jadi dapat ditarik kesimpulan bahwa data diatas telah berdistribusi multivariat normal, sehingga data dapat dilakukan proses pengelompokkan dengan menggunakan kedua metode tersebut. 39
Variabel N Minimum Maksimum Rata-rata Varians
X1 117 60,560 74,430 68,743 2.903
X2 117 64,120 99,640 91,843 6.293
X3 117 3,770 11,420 7,604 1.603
X4 117 588,040 647,030 632,000 9.290
2 2;0.05j nd χ≤
Surabaya, 5 Januari 2012 Seminar Tesis
HASIL DAN PEMBAHASAN
Rata-rata Iterasi, Fungsi Objektif, Indeks Xie dan Beni, dan Waktu Komputasi, dengan metode FCM
40
2 2;0.05j nd χ≤
Jumlah kelompok
Banyaknya Iterasi
Fungsi ObjektifIndeks Xie dan
BeniWaktu Komputasi
2 15,6 54,91810502 0,001993298 0,741448173
3 22,1 31,91411894 0,002263152 1,011946319
4 60,6 22,85390327 0,005038049 1,217283024
5 133,6 18,03633625 0,003781829 1,393808393
6 154,9 14,70658773 0,003641467 1,786786863
7 188,5 12,11427890 0,003735356 2,279097467
8 177,3 10,37901985 0,004283722 2,421107644
9 121,5 9,125209527 0,004060736 2,676930352
10 112,4 8,010650976 0,003941949 2,536219871
Surabaya, 5 Januari 2012 Seminar Tesis
HASIL DAN PEMBAHASAN
Rata-rata Iterasi, Fungsi Objektif, Indeks Xie dan Beni, dan Waktu Komputasi, dengan metode FCS
41
Jumlah kelompok
Banyaknya Iterasi
Fungsi ObjektifIndeks Xie dan
BeniWaktu Komputasi
2 27,6 706,023521395 0,008038464 35,105140122
3 41,5 190,670830048 0,007628473 96,764461173
4 40,4 102,818966609 0,005013489 135,020787350
5 46,0 58,652288055 0,013566060 149,064922086
6 48,0 39,922629811 0,005645252 212,843493769
7 53,7 30,386437454 0,021967206 270,998872936
8 54,9 23,650643668 0,014782679 313,227428878
9 41,9 21,008471343 0,017612013 317,912637367
10 42,5 14,652646693 0,007557815 352,556117707
Surabaya, 5 Januari 2012 Seminar Tesis
HASIL DAN PEMBAHASAN
42
0.00
100.00
200.00
300.00
400.00
500.00
600.00
700.00
800.00
2 3 4 5 6 7 8 9 10
Grafik Fungsi Objektif FCM dan FCS
Fungsi Objektif FCM
Fungsi Objektif FCS
Surabaya, 5 Januari 2012 Seminar Tesis
HASIL DAN PEMBAHASAN
43
0
0.005
0.01
0.015
0.02
0.025
2 3 4 5 6 7 8 9 10
Grafik Indeks Xie dan Beni FCM dan FCS
Indeks Xie dan Beni FCMIndeks Xie dan Beni FCS
Surabaya, 5 Januari 2012 Seminar Tesis
HASIL DAN PEMBAHASAN
Hasil Uji Wilks Lambda
Hasil Uji Covarian
44
MetodeJumlah
KelompokNilai Wilks
LambdaNilai chi square P-value
FCM 6 0,0199 434,6743 0,000
FCS 4 0,7420 33,4216 0,000
MetodeJumlah
KelompokNilai Box’M Nilai chi square P-value
FCM 6 62,5243 55,1648 0,2857
FCS 4 30,0946 27,6152 0,5908
Surabaya, 5 Januari 2012 Seminar Tesis
HASIL DAN PEMBAHASAN
FCM dengan 6 kelompok dengan rincian banyaknya kabupaten/kota anggota kelompok pertama sampai dengan kelompok keenam berturut-turut 28, 25, 8, 29, 12, 15.
45
Surabaya, 5 Januari 2012 Seminar Tesis
HASIL DAN PEMBAHASAN
Karakteristik Kelompok Berdasarkan Rata-Rata
46
KelompokKarekteristik
AHH AMH MYS PPP1 + – – –
2 + + + +
3 – – – –
4 – + – –
5 + – – +
6 – – – –
Surabaya, 5 Januari 2012 Seminar Tesis
HASIL DAN PEMBAHASAN
Kelompok 1 : Cirebon, Indramayu, Subang, Purbalingga, Banjarnegara,
Kebumen, Purworejo, Wonosobo, Magelang, Grobogan, Blora,
Kudus, Jepara, Demak, Semarang, Kendal, Pemalang, Tegal,
Brebes, Kulon Progo, Ponorogo, Trenggalek, TulungAgung,
Malang, Jombang, Nganjuk, Magetan
Kelompok 2 : Kodya Jakarta Selatan, Kodya Jakarta Timur, Kodya Jakarta Pusat,
Kodya Jakarta Barat, Kodya Jakarta Utara, Kota bogor, Kota
Cirebon, Kota Bekasi, Kota Depok, Kota Magelang, Kota
Surakarta, Kota Salatiga, Kota Semarang, Kota Tegal, Kota
Yogyakarta, Sidoarjo, Kota Kediri, Kota Blitar, Kota Malang, Kota
Pasuruan, Kota Mojokerto, Kota Madiun, Kota Surabaya, Kota
Tangerang, Kota Cilegon.47
Surabaya, 5 Januari 2012 Seminar Tesis
HASIL DAN PEMBAHASAN
Kelompok 3 : Jember, Bondowoso, Situbondo, Probolinggo, Bojonegoro,
Bangkalan, Sampang, Pamekasan
Kelompok 4 : Bogor, Sukabumi, Bandung, Garut, Tasikmalaya, Ciamis,
Kuningan, Majalengka, Sumedang, Purwakarta, Karawang,
Bekasi, Bandung Barat, Kota Sukabumi, Kota Bandung,
Kota Cimahi, Kota Tasikmalaya, Kota Banjar, Banyumas,
Temanggung, Kota Pekalongan, Mojokerto, Kota Batu,
Pandeglang, Lebak, Tangerang, Serang, Kota Serang
48
Surabaya, 5 Januari 2012 Seminar Tesis
Kelompok 5 : Klaten, Sukoharjo, Wonogiri, Karanganyar, Rembang, Pati,
Pekalongan, Bantul, Sleman, Blitar, Sumenep, Kota
Probolinggo
Kelompok 6 : Kepulauan Seribu, Cianjur, Boyolali, Sragen, Batang,
Gunung Kidul, Pacitan, Kediri, Lumajang, Banyuwangi,
Pasuruan, Madiun, Ngawi, Tuban, Lamongan
49
Surabaya, 5 Januari 2012 Seminar Tesis
HASIL DAN PEMBAHASAN
Aplikasi Graphical User Interface (GUI)
50
Surabaya, 5 Januari 2012 Seminar Tesis
KESIMPULAN DAN SARAN
Kesimpulan : Dalam mengkaji metode fuzzy c-means cluster
dapat dilakukan optimasi dengan penggandalagrange untuk mendapatkan nilai fungsi objektifyang optimum. Pada dasarnya pengelompokkandengan menggunakan FCM mempunyai prinsipmeminimumkan fungsi objektitnya denganmenggunakan penganda lagrange sehinggadiperoleh kondisi optimum untuk parameter
Optimasi metode fuzzy c-shell cluster dapatdilakukan dengan pengganda lagrange untukmendapatkan nilai fungsi objektif yang optimumdalam fuzzy c-shell cluster. Denganmeminimumkan fungsi objektifnya denganmenggunakan fungsi pengganda lagrangediperoleh kondisi optimum untuk paramater 51
,ik ivµ
, ,ik i iv rµ
Surabaya, 5 Januari 2012 Seminar Tesis
KESIMPULAN DAN SARAN
Berdasarkan nilai indeks validitas Xie dan Beni yang minimum pada lembah pertama, hasil pengelompokkan dengan menggunakan metodefuzzy c-means cluster diperoleh sebanyak 6 kelompok, dengan nilai indeks validitas Xie dan Beni 0,0036. Hasil pengelompokkan dengan menggunakan metode fuzzy c-shell clusterdiperoleh sebanyak 4 kelompok, dengan nilai indeks validitas Xie dan Beni 0,005.
52
Surabaya, 5 Januari 2012 Seminar Tesis
KSIMPULAN DAN SARAN
Hasil pengelompokkan menggunakan metode FCM, dengan jumlah kelompok sebanyak 6, dengan banyaknya kabupaten/kota anggota kelompok pertama dengan kelompok keenam, berurut-turut 28,25,8,29,12 dan 15.
53
Surabaya, 5 Januari 2012 Seminar Tesis
KESIMPULAN DAN SARAN
Saran:Dalam penelitian ini masih banyak permasalah yang belum dibahas secara mendalam, karenanya penulis memberikan saran sebagai berikut : Melakukan analisis data dengan menggunakan metode
pengelompokkan lainnya, seperti dengan algoritma two step cluster, fuzzy substractive, fuzzy gath dan geva, fuzzy gustafson-kessel.
Menggunakan analisis spasial untuk memperhitungkan pengaruh kedekatan wilayah pada hasil pengelompokkan.
54
Surabaya, 5 Januari 2012 Seminar Tesis
DAFTAR PUSTAKA Bezdek, J. (1981), Pattern Recognition with Fuzzy Objective Function Algorithm. Plenum Press., New York BPS. (2009), Indeks Pembangunan Manusia. BPS, Jakarta BPS; Bappenas; UNDP. (2004), The Economics of Democracy: Financing of Human Development in
Indonesia, Indonesia Human Development Report (IHDR)., Badan Pusat Statistik,Jakarta. Casella, G., & Berger, R. (2002), Statistical Inference , 2nd Edition, Duxbury Advanced Series., California. Champathong, S., Wongthanavasu, S., & Sunat, K. (2006), "Alternative Adaptive Fuzzy C-Means
Clustering", Proceeding of 7th WSEAS International Conference on EvolutionaryComputing, Cavtat,Croatia, hal 7-11.
Dave, R. (1992), "Generalized Fuzzy C-Shell Clustering and Detection of Circular and EllipticalBoundaries", Pattern Recognition , Vol. 25 No. 7, hal. 713-721.
Dillon, W., & Goldstein, M. (1984), Multivariate Analysis Methods and Application, John Wiley & Sons, NewYork.
Dunn, J. (1973), "A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact well-Separated Cluster", Jurnal of Cybernetic 3 , hal. 32-37.
Duo, C., Xue, L., & Du-Wu, C. (2007). "An Adaptive Cluster Validiti Index for the Fuzzy C-Means", International Journal of Computer Science and Nework Security, Vol 7 No. 2 , hal. 146-156.
Grabmeier, J., & Rudoplh, A. (2002). "Technique of Cluster Algorithms in Data Mining", Data Mining andKnowledge Discovery , vol. 6, hal. 303-360.
Habibi, A. (2009), Pendekatan Analisis Fuzzy Cluetering pada Pengelompokan Statisun Pos Hujan UntukMembuat Zona Prakiraan Iklim (ZPI) (Studi Kasus Pegelompokkan Zona Prakiraan Iklim (ZPI) denganData Curah Hujan di Kab. Karawang, Kab. Subang dan Kan. Indramayu), Tesis, JurusanSatistika, Fakultas Matematika dan Ilmu Pengetahuan Alam,Institut Teknologi SepuluhNopember, Surabaya.
55
Surabaya, 5 Januari 2012 Seminar Tesis
DAFTAR PUSTAKA Johnson, R., & Wichern, D. (2002), Applied Multivariate Statistical Analysis (5th ed.), Prentice Hall, Upper
Sandle River, New Jersey Klawonn, F., & Höppner, F. (2003), "What is Fuzzy about Fuzzy Clustering?Understanding and Improving
the Concept of the Fuzzier". Advances in Intelligent Data Analysis V, Springer, Berlin, hal 254-264 Klir, G., & Yuan, B. (1995), Fuzzy Sets and Fuzzy Logic Theory and Applications. Prentice Hall, Upper
Sandle River, New Jersey MacQueen, J. (1967), "Some Methods for Classification and Analysis of Multivariate Observations", In Proc.
5th Berkeley Symp. Math. Statist. Prob. 1, hal. 281-297 Pal, N., & Bezdek, J. (1995), "On Cluster Validity for the Fuzzy c-Means Model", IEEE Transactions on
Fuzzy Systems , Vol. 3 No.3, hal 370-379. Pravitasari, A. A. (2008), ANALISIS PENGELOMPOKAN DENGAN FUZZY C-MEANS CLUSTER (Kasus
Pengelompokan Kecamatan di Kabupaten Tuban Berdasarkan Tingkat Partisipasi Pendidikan), Tesis, Jurusan Satistika, Fakultas Matematika dan Ilmu Pengetahuan Alam,Institut Teknologi Sepuluh Nopember, Surabaya.
Ravi, V., Srinivas, E., & Kasabov, N. (2007), "On-Line Evolving Fuzzy Clustring", International Conference on Computational Intelengence and Multimedia Application. IEEE, hal. 347-351
Rencher, A. (2002), Methods of Multivariate Analysis, John Wiley and Sons, New York. Shihab, A. (2000). Fuzzy Clustering Algorithm and Their Application to Medical Image Analysis.
Dissertation, University of London, London. Wu, K.-L., & Yang, M.-S. (2005),"A Cluster Validity Index for Fuzzy Clustering", Pattern Recognition Letters
, hal. 1275–1291. Yu, J., Cheng, Q., & Huang, H. (2004), "Analysis of the Weighting Exponent in the FCM", IEEE
Transactions on Systems, Man, and Cybernetics , vol 34, hal. 634-639. Zadeh, L. (1965), "Fuzzy Sets", Infromation Control , vol 8,hal. 338-353
56