tugas data mining
-
Upload
independent -
Category
Documents
-
view
0 -
download
0
Transcript of tugas data mining
TUGAS 2DATA MINING
Kelompok 6
Tutut Dede Prassetya A12201204549Abraham Surya W A1220120459Muh Iqbal M A12201204724Angga H A12201304881Nella Kusuma D A12201304900
NAIVE BAYES ALGORITHMDAN
FUZZY C-MEANS
NAIVE BAYES ALGORITHM
DefinisiNaive Bayes merupakan pengklasifikasian dengan metode
probabilitas dan statistic (memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya)
Naive bayesian klasifikasi adalah suatu klasifikasi berpeluang sederhana berdasarkan aplikasi teorema Bayes dengan asumsi antar variabel penjelas saling bebas (independen) Dalam hal ini diasumsikan bahwa kehadiran atau ketiadaan dari suatu kejadian tertentu dari suatu kelompok tidak berhubungan dengan kehadiran atau ketiadaan dari kejadian lainnya
Naive Bayesian dapat digunakan untuk berbagai macam keperluan antara lain untuk klasifikasi dokumen deteksi spam atau filtering spam dan masalah klasifikasi lainnya Dalm hal ini lebih disorot mengenai penggunaan teorema Naive Bayesian untuk spam filtering
Keuntungan Naive Bayesian Menangani kuantitatif dan data diskrit Kokoh untuk titik noise yang diisolasi
misalkan titik yang dirata ndash ratakan ketika mengestimasi peluang bersyarat data
Hanya memerlukan sejumlah kecil data pelatihan untuk mengestimasi parameter (rata ndash rata dan variansi dari variabel) yang dibutuhkan untuk klasifikasi
Menangani nilai yang hilang dengan mengabaikan instansi selama perhitungan estimasi peluang
Cepat dan efisiensi ruang Kokoh terhadap atribut yang tidak relevan
Kekurangan Naive Bayesian Tidak berlaku jika probabilitas
kondisionalnya adalah nol apabila nol maka probabilitas prediksi akan bernilai nol juga
Mengasumsikan variabel bebas
Contoh Perhitungan Naive Bayes Diketahui
Jawab
Tahap 1 menghitung jumlah classlabel P(Y= TEPAT) = 815 lsquo jumlah data ldquoTEPATrdquo pada komom lsquoSTATUS KELULUSANrsquo dibagijumlah data P(Y= TERLAMBAT) = 715 lsquo jumlah data ldquoTERLAMBATrdquo pada komom lsquoSTATUS KELULUSANrsquo dibagi jumlah data
Tahap 2 menghitung jumlah kasus yang sama dengan class yang sama
P(JENIS KELAMIN = LAKI - LAKI | Y= TEPAT) = 58 lsquojumlah data jenis kelamin ldquolaki-lakirdquo dengan keterangan ldquoTEPATrdquodibagi jumlah data TEPAT
P(JENIS KELAMIN = LAKI - LAKI | Y= TERLAMBAT) = 37 lsquojumlah data jenis kelamin ldquolaki-lakirdquo dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
P(STATUS MAHASISWA = MAHASISWA | Y= TEPAT) = 58lsquojumlah data dengan status mahasiswa dengan keterangan ldquoTEPATrdquo dibagi jumlah data TEPAT
P(STATUS MAHASISWA = MAHASISWA | Y= TERLAMBAT) = 37lsquojumlah data dengan status mahasiswa dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
P(STATUS PRENIKAHAN = BELUM| Y= TEPAT) = 48lsquojumlah data dengan status pernikahan ldquoBelum menikahrdquo dan keterangan ldquoTEPATrdquo dibagijumlah data TEPAT
P(STATUS PRENIKAHAN = BELUM| Y= TERLAMBAT) = 47lsquojumlah data dengan status pernikahan ldquoBelum menikahrdquo dan keterangan ldquoTERLAMBATrdquodibagi jumlah data TERLAMBAT
P(IPK = 270| Y= TEPAT) = 08lsquojumlah data IPK ldquo270rdquo dengan keterangan ldquoTEPATrdquo dibagi jumlah data TEPAT
P(IPK = 270| Y= TERLAMBAT) = 17lsquojumlah data IPK ldquo270rdquo dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
Tahap 3 kalikan semua hasil variable TEPAT amp TERLAMBATP (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TEPAT)= P(P(KELAMIN =LAKI-LAKI|Y=TEPAT) P(STATUS MHS = MAHASISWA | Y= TEPAT) P(PRENIKAHAN =BELUM|Y=TEPAT) P(IPK = 270| Y= TEPAT)= 58 58 48 08 815 = 0
P (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TERLAMBAT)= P(P(KELAMIN =LAKI-LAKI|Y= TERLAMBAT) P(STATUS MHS = MAHASISWA | Y= TERLAMBAT) P(PRENIKAHAN = BELUM|Y= TERLAMBAT) P(IPK = 270| Y= TERLAMBAT)= 37 37 47 17 715= 00069
Tahap 4 Bandingkan hasil class TEPAT amp TERLAMBATKarena hasil (P|TERLAMBAT) lebih besar dari (P|TERLAMBAT) maka keputusanya adalah ldquoTERLAMBATrdquo
DEFINISI FUZZY C-MEANS
Fuzzy C-means Clustering (FCM) atau dikenal juga sebagai Fuzzy ISODATA merupakan salah satu metode clustering yang merupakan bagian dari metode Hard K-Means FCM menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1
KONSEP FUZZY C-MEANS
1 Penentuan pusat cluster yang menandai lokasi rata-rata untuk tiap cluster dengan kondisi awal tidak akurat
2 Tiap data memiliki derajat keanggotaan untuk masing-masing cluster
3 Dengan perulangan yang didasarkan pada minimisasi fungsi obyektif pusat cluster dan nilai kenaggotaan diperbaiki Sehingga lokasi cluster bisa berada pada posisi yang benar
RUMUS FUZZY C-MEANS
Buat matriks partisi awal secara acak dengan ketentuan jumlah setiap kolom pada matrik harus sama dengan 1
RUMUS FUZZY C-MEANS
Hitung Pusat Cluster dg persamaan
Ket V = Pusat ClusterW = pangkat atau pembobot ( W gt 1 )
RUMUS FUZZY C-MEANS
Perbaiki derajat keanggotaan setiap anggota
dengan mencari jarak (d) antara pusat dan data
RUMUS FUZZY C-MEANS
Tentukan nilai kriteria berhenti
Nilai kriteria berhenti merupakan perubahan yang terjadi pada matrik partisi pada iterasi sekarang dengan iterasi sebelumnya
Jika nilai kriteria berhenti lebih besar atau sama dengan selisihnya maka hentikan proses tetapi jika tidak kembali ke PERUMUSAN 2 (hitung pusat cluster)
CONTOH KASUS FUZZY C-MEANS
MENGHITUNG DATA PERFORMANCE MENGAJAR DOSEN
Untuk evaluasi proses pengajaran oleh dosen selama satu semester salah satu cara dengan meminta mahasiswa untuk memberikan penilaian terhadap performance dosen dalam mengampu suatu mata kuliah selalu satu semester dalam beberapa kriteria penilaian Kriteria yang digunakan antara lain
1048707 N1 Penguasaan dan kemampuan dalam menjelaskan materi1048707 N2 Kemampuan dalam menjawab pertanyaan1048707 N3 Kemampuan dalam memberi motivas mahasiswa1048707 N4 kemampuan membuat suasana kelas menyenangkan1048707 N5 Kedisiplinan hadir dalam perkuliahan
CONTOH KASUS FUZZY C-MEANS
Dari nilai kelima kriteria tersebut didapat nilai indeks prestasi kumulatif dosen dalam mengampu suatu mata kuliah selama satu semester Seorang dosen dalam satu semester mungkin harus mengampu lebih dari satu mata kuliah Atau satu mata kuliah mungkin harus diampu oleh lebih dari seorang dosen Proses clustering yang dilakukan akan mencoba mengetahui kemungkinan adanya kelompokkelompok yang mungkin belum diketahui dari data performance mengajar dosen terhadap suatu mata kuliah
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
NAIVE BAYES ALGORITHMDAN
FUZZY C-MEANS
NAIVE BAYES ALGORITHM
DefinisiNaive Bayes merupakan pengklasifikasian dengan metode
probabilitas dan statistic (memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya)
Naive bayesian klasifikasi adalah suatu klasifikasi berpeluang sederhana berdasarkan aplikasi teorema Bayes dengan asumsi antar variabel penjelas saling bebas (independen) Dalam hal ini diasumsikan bahwa kehadiran atau ketiadaan dari suatu kejadian tertentu dari suatu kelompok tidak berhubungan dengan kehadiran atau ketiadaan dari kejadian lainnya
Naive Bayesian dapat digunakan untuk berbagai macam keperluan antara lain untuk klasifikasi dokumen deteksi spam atau filtering spam dan masalah klasifikasi lainnya Dalm hal ini lebih disorot mengenai penggunaan teorema Naive Bayesian untuk spam filtering
Keuntungan Naive Bayesian Menangani kuantitatif dan data diskrit Kokoh untuk titik noise yang diisolasi
misalkan titik yang dirata ndash ratakan ketika mengestimasi peluang bersyarat data
Hanya memerlukan sejumlah kecil data pelatihan untuk mengestimasi parameter (rata ndash rata dan variansi dari variabel) yang dibutuhkan untuk klasifikasi
Menangani nilai yang hilang dengan mengabaikan instansi selama perhitungan estimasi peluang
Cepat dan efisiensi ruang Kokoh terhadap atribut yang tidak relevan
Kekurangan Naive Bayesian Tidak berlaku jika probabilitas
kondisionalnya adalah nol apabila nol maka probabilitas prediksi akan bernilai nol juga
Mengasumsikan variabel bebas
Contoh Perhitungan Naive Bayes Diketahui
Jawab
Tahap 1 menghitung jumlah classlabel P(Y= TEPAT) = 815 lsquo jumlah data ldquoTEPATrdquo pada komom lsquoSTATUS KELULUSANrsquo dibagijumlah data P(Y= TERLAMBAT) = 715 lsquo jumlah data ldquoTERLAMBATrdquo pada komom lsquoSTATUS KELULUSANrsquo dibagi jumlah data
Tahap 2 menghitung jumlah kasus yang sama dengan class yang sama
P(JENIS KELAMIN = LAKI - LAKI | Y= TEPAT) = 58 lsquojumlah data jenis kelamin ldquolaki-lakirdquo dengan keterangan ldquoTEPATrdquodibagi jumlah data TEPAT
P(JENIS KELAMIN = LAKI - LAKI | Y= TERLAMBAT) = 37 lsquojumlah data jenis kelamin ldquolaki-lakirdquo dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
P(STATUS MAHASISWA = MAHASISWA | Y= TEPAT) = 58lsquojumlah data dengan status mahasiswa dengan keterangan ldquoTEPATrdquo dibagi jumlah data TEPAT
P(STATUS MAHASISWA = MAHASISWA | Y= TERLAMBAT) = 37lsquojumlah data dengan status mahasiswa dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
P(STATUS PRENIKAHAN = BELUM| Y= TEPAT) = 48lsquojumlah data dengan status pernikahan ldquoBelum menikahrdquo dan keterangan ldquoTEPATrdquo dibagijumlah data TEPAT
P(STATUS PRENIKAHAN = BELUM| Y= TERLAMBAT) = 47lsquojumlah data dengan status pernikahan ldquoBelum menikahrdquo dan keterangan ldquoTERLAMBATrdquodibagi jumlah data TERLAMBAT
P(IPK = 270| Y= TEPAT) = 08lsquojumlah data IPK ldquo270rdquo dengan keterangan ldquoTEPATrdquo dibagi jumlah data TEPAT
P(IPK = 270| Y= TERLAMBAT) = 17lsquojumlah data IPK ldquo270rdquo dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
Tahap 3 kalikan semua hasil variable TEPAT amp TERLAMBATP (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TEPAT)= P(P(KELAMIN =LAKI-LAKI|Y=TEPAT) P(STATUS MHS = MAHASISWA | Y= TEPAT) P(PRENIKAHAN =BELUM|Y=TEPAT) P(IPK = 270| Y= TEPAT)= 58 58 48 08 815 = 0
P (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TERLAMBAT)= P(P(KELAMIN =LAKI-LAKI|Y= TERLAMBAT) P(STATUS MHS = MAHASISWA | Y= TERLAMBAT) P(PRENIKAHAN = BELUM|Y= TERLAMBAT) P(IPK = 270| Y= TERLAMBAT)= 37 37 47 17 715= 00069
Tahap 4 Bandingkan hasil class TEPAT amp TERLAMBATKarena hasil (P|TERLAMBAT) lebih besar dari (P|TERLAMBAT) maka keputusanya adalah ldquoTERLAMBATrdquo
DEFINISI FUZZY C-MEANS
Fuzzy C-means Clustering (FCM) atau dikenal juga sebagai Fuzzy ISODATA merupakan salah satu metode clustering yang merupakan bagian dari metode Hard K-Means FCM menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1
KONSEP FUZZY C-MEANS
1 Penentuan pusat cluster yang menandai lokasi rata-rata untuk tiap cluster dengan kondisi awal tidak akurat
2 Tiap data memiliki derajat keanggotaan untuk masing-masing cluster
3 Dengan perulangan yang didasarkan pada minimisasi fungsi obyektif pusat cluster dan nilai kenaggotaan diperbaiki Sehingga lokasi cluster bisa berada pada posisi yang benar
RUMUS FUZZY C-MEANS
Buat matriks partisi awal secara acak dengan ketentuan jumlah setiap kolom pada matrik harus sama dengan 1
RUMUS FUZZY C-MEANS
Hitung Pusat Cluster dg persamaan
Ket V = Pusat ClusterW = pangkat atau pembobot ( W gt 1 )
RUMUS FUZZY C-MEANS
Perbaiki derajat keanggotaan setiap anggota
dengan mencari jarak (d) antara pusat dan data
RUMUS FUZZY C-MEANS
Tentukan nilai kriteria berhenti
Nilai kriteria berhenti merupakan perubahan yang terjadi pada matrik partisi pada iterasi sekarang dengan iterasi sebelumnya
Jika nilai kriteria berhenti lebih besar atau sama dengan selisihnya maka hentikan proses tetapi jika tidak kembali ke PERUMUSAN 2 (hitung pusat cluster)
CONTOH KASUS FUZZY C-MEANS
MENGHITUNG DATA PERFORMANCE MENGAJAR DOSEN
Untuk evaluasi proses pengajaran oleh dosen selama satu semester salah satu cara dengan meminta mahasiswa untuk memberikan penilaian terhadap performance dosen dalam mengampu suatu mata kuliah selalu satu semester dalam beberapa kriteria penilaian Kriteria yang digunakan antara lain
1048707 N1 Penguasaan dan kemampuan dalam menjelaskan materi1048707 N2 Kemampuan dalam menjawab pertanyaan1048707 N3 Kemampuan dalam memberi motivas mahasiswa1048707 N4 kemampuan membuat suasana kelas menyenangkan1048707 N5 Kedisiplinan hadir dalam perkuliahan
CONTOH KASUS FUZZY C-MEANS
Dari nilai kelima kriteria tersebut didapat nilai indeks prestasi kumulatif dosen dalam mengampu suatu mata kuliah selama satu semester Seorang dosen dalam satu semester mungkin harus mengampu lebih dari satu mata kuliah Atau satu mata kuliah mungkin harus diampu oleh lebih dari seorang dosen Proses clustering yang dilakukan akan mencoba mengetahui kemungkinan adanya kelompokkelompok yang mungkin belum diketahui dari data performance mengajar dosen terhadap suatu mata kuliah
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
NAIVE BAYES ALGORITHM
DefinisiNaive Bayes merupakan pengklasifikasian dengan metode
probabilitas dan statistic (memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya)
Naive bayesian klasifikasi adalah suatu klasifikasi berpeluang sederhana berdasarkan aplikasi teorema Bayes dengan asumsi antar variabel penjelas saling bebas (independen) Dalam hal ini diasumsikan bahwa kehadiran atau ketiadaan dari suatu kejadian tertentu dari suatu kelompok tidak berhubungan dengan kehadiran atau ketiadaan dari kejadian lainnya
Naive Bayesian dapat digunakan untuk berbagai macam keperluan antara lain untuk klasifikasi dokumen deteksi spam atau filtering spam dan masalah klasifikasi lainnya Dalm hal ini lebih disorot mengenai penggunaan teorema Naive Bayesian untuk spam filtering
Keuntungan Naive Bayesian Menangani kuantitatif dan data diskrit Kokoh untuk titik noise yang diisolasi
misalkan titik yang dirata ndash ratakan ketika mengestimasi peluang bersyarat data
Hanya memerlukan sejumlah kecil data pelatihan untuk mengestimasi parameter (rata ndash rata dan variansi dari variabel) yang dibutuhkan untuk klasifikasi
Menangani nilai yang hilang dengan mengabaikan instansi selama perhitungan estimasi peluang
Cepat dan efisiensi ruang Kokoh terhadap atribut yang tidak relevan
Kekurangan Naive Bayesian Tidak berlaku jika probabilitas
kondisionalnya adalah nol apabila nol maka probabilitas prediksi akan bernilai nol juga
Mengasumsikan variabel bebas
Contoh Perhitungan Naive Bayes Diketahui
Jawab
Tahap 1 menghitung jumlah classlabel P(Y= TEPAT) = 815 lsquo jumlah data ldquoTEPATrdquo pada komom lsquoSTATUS KELULUSANrsquo dibagijumlah data P(Y= TERLAMBAT) = 715 lsquo jumlah data ldquoTERLAMBATrdquo pada komom lsquoSTATUS KELULUSANrsquo dibagi jumlah data
Tahap 2 menghitung jumlah kasus yang sama dengan class yang sama
P(JENIS KELAMIN = LAKI - LAKI | Y= TEPAT) = 58 lsquojumlah data jenis kelamin ldquolaki-lakirdquo dengan keterangan ldquoTEPATrdquodibagi jumlah data TEPAT
P(JENIS KELAMIN = LAKI - LAKI | Y= TERLAMBAT) = 37 lsquojumlah data jenis kelamin ldquolaki-lakirdquo dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
P(STATUS MAHASISWA = MAHASISWA | Y= TEPAT) = 58lsquojumlah data dengan status mahasiswa dengan keterangan ldquoTEPATrdquo dibagi jumlah data TEPAT
P(STATUS MAHASISWA = MAHASISWA | Y= TERLAMBAT) = 37lsquojumlah data dengan status mahasiswa dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
P(STATUS PRENIKAHAN = BELUM| Y= TEPAT) = 48lsquojumlah data dengan status pernikahan ldquoBelum menikahrdquo dan keterangan ldquoTEPATrdquo dibagijumlah data TEPAT
P(STATUS PRENIKAHAN = BELUM| Y= TERLAMBAT) = 47lsquojumlah data dengan status pernikahan ldquoBelum menikahrdquo dan keterangan ldquoTERLAMBATrdquodibagi jumlah data TERLAMBAT
P(IPK = 270| Y= TEPAT) = 08lsquojumlah data IPK ldquo270rdquo dengan keterangan ldquoTEPATrdquo dibagi jumlah data TEPAT
P(IPK = 270| Y= TERLAMBAT) = 17lsquojumlah data IPK ldquo270rdquo dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
Tahap 3 kalikan semua hasil variable TEPAT amp TERLAMBATP (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TEPAT)= P(P(KELAMIN =LAKI-LAKI|Y=TEPAT) P(STATUS MHS = MAHASISWA | Y= TEPAT) P(PRENIKAHAN =BELUM|Y=TEPAT) P(IPK = 270| Y= TEPAT)= 58 58 48 08 815 = 0
P (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TERLAMBAT)= P(P(KELAMIN =LAKI-LAKI|Y= TERLAMBAT) P(STATUS MHS = MAHASISWA | Y= TERLAMBAT) P(PRENIKAHAN = BELUM|Y= TERLAMBAT) P(IPK = 270| Y= TERLAMBAT)= 37 37 47 17 715= 00069
Tahap 4 Bandingkan hasil class TEPAT amp TERLAMBATKarena hasil (P|TERLAMBAT) lebih besar dari (P|TERLAMBAT) maka keputusanya adalah ldquoTERLAMBATrdquo
DEFINISI FUZZY C-MEANS
Fuzzy C-means Clustering (FCM) atau dikenal juga sebagai Fuzzy ISODATA merupakan salah satu metode clustering yang merupakan bagian dari metode Hard K-Means FCM menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1
KONSEP FUZZY C-MEANS
1 Penentuan pusat cluster yang menandai lokasi rata-rata untuk tiap cluster dengan kondisi awal tidak akurat
2 Tiap data memiliki derajat keanggotaan untuk masing-masing cluster
3 Dengan perulangan yang didasarkan pada minimisasi fungsi obyektif pusat cluster dan nilai kenaggotaan diperbaiki Sehingga lokasi cluster bisa berada pada posisi yang benar
RUMUS FUZZY C-MEANS
Buat matriks partisi awal secara acak dengan ketentuan jumlah setiap kolom pada matrik harus sama dengan 1
RUMUS FUZZY C-MEANS
Hitung Pusat Cluster dg persamaan
Ket V = Pusat ClusterW = pangkat atau pembobot ( W gt 1 )
RUMUS FUZZY C-MEANS
Perbaiki derajat keanggotaan setiap anggota
dengan mencari jarak (d) antara pusat dan data
RUMUS FUZZY C-MEANS
Tentukan nilai kriteria berhenti
Nilai kriteria berhenti merupakan perubahan yang terjadi pada matrik partisi pada iterasi sekarang dengan iterasi sebelumnya
Jika nilai kriteria berhenti lebih besar atau sama dengan selisihnya maka hentikan proses tetapi jika tidak kembali ke PERUMUSAN 2 (hitung pusat cluster)
CONTOH KASUS FUZZY C-MEANS
MENGHITUNG DATA PERFORMANCE MENGAJAR DOSEN
Untuk evaluasi proses pengajaran oleh dosen selama satu semester salah satu cara dengan meminta mahasiswa untuk memberikan penilaian terhadap performance dosen dalam mengampu suatu mata kuliah selalu satu semester dalam beberapa kriteria penilaian Kriteria yang digunakan antara lain
1048707 N1 Penguasaan dan kemampuan dalam menjelaskan materi1048707 N2 Kemampuan dalam menjawab pertanyaan1048707 N3 Kemampuan dalam memberi motivas mahasiswa1048707 N4 kemampuan membuat suasana kelas menyenangkan1048707 N5 Kedisiplinan hadir dalam perkuliahan
CONTOH KASUS FUZZY C-MEANS
Dari nilai kelima kriteria tersebut didapat nilai indeks prestasi kumulatif dosen dalam mengampu suatu mata kuliah selama satu semester Seorang dosen dalam satu semester mungkin harus mengampu lebih dari satu mata kuliah Atau satu mata kuliah mungkin harus diampu oleh lebih dari seorang dosen Proses clustering yang dilakukan akan mencoba mengetahui kemungkinan adanya kelompokkelompok yang mungkin belum diketahui dari data performance mengajar dosen terhadap suatu mata kuliah
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
Keuntungan Naive Bayesian Menangani kuantitatif dan data diskrit Kokoh untuk titik noise yang diisolasi
misalkan titik yang dirata ndash ratakan ketika mengestimasi peluang bersyarat data
Hanya memerlukan sejumlah kecil data pelatihan untuk mengestimasi parameter (rata ndash rata dan variansi dari variabel) yang dibutuhkan untuk klasifikasi
Menangani nilai yang hilang dengan mengabaikan instansi selama perhitungan estimasi peluang
Cepat dan efisiensi ruang Kokoh terhadap atribut yang tidak relevan
Kekurangan Naive Bayesian Tidak berlaku jika probabilitas
kondisionalnya adalah nol apabila nol maka probabilitas prediksi akan bernilai nol juga
Mengasumsikan variabel bebas
Contoh Perhitungan Naive Bayes Diketahui
Jawab
Tahap 1 menghitung jumlah classlabel P(Y= TEPAT) = 815 lsquo jumlah data ldquoTEPATrdquo pada komom lsquoSTATUS KELULUSANrsquo dibagijumlah data P(Y= TERLAMBAT) = 715 lsquo jumlah data ldquoTERLAMBATrdquo pada komom lsquoSTATUS KELULUSANrsquo dibagi jumlah data
Tahap 2 menghitung jumlah kasus yang sama dengan class yang sama
P(JENIS KELAMIN = LAKI - LAKI | Y= TEPAT) = 58 lsquojumlah data jenis kelamin ldquolaki-lakirdquo dengan keterangan ldquoTEPATrdquodibagi jumlah data TEPAT
P(JENIS KELAMIN = LAKI - LAKI | Y= TERLAMBAT) = 37 lsquojumlah data jenis kelamin ldquolaki-lakirdquo dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
P(STATUS MAHASISWA = MAHASISWA | Y= TEPAT) = 58lsquojumlah data dengan status mahasiswa dengan keterangan ldquoTEPATrdquo dibagi jumlah data TEPAT
P(STATUS MAHASISWA = MAHASISWA | Y= TERLAMBAT) = 37lsquojumlah data dengan status mahasiswa dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
P(STATUS PRENIKAHAN = BELUM| Y= TEPAT) = 48lsquojumlah data dengan status pernikahan ldquoBelum menikahrdquo dan keterangan ldquoTEPATrdquo dibagijumlah data TEPAT
P(STATUS PRENIKAHAN = BELUM| Y= TERLAMBAT) = 47lsquojumlah data dengan status pernikahan ldquoBelum menikahrdquo dan keterangan ldquoTERLAMBATrdquodibagi jumlah data TERLAMBAT
P(IPK = 270| Y= TEPAT) = 08lsquojumlah data IPK ldquo270rdquo dengan keterangan ldquoTEPATrdquo dibagi jumlah data TEPAT
P(IPK = 270| Y= TERLAMBAT) = 17lsquojumlah data IPK ldquo270rdquo dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
Tahap 3 kalikan semua hasil variable TEPAT amp TERLAMBATP (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TEPAT)= P(P(KELAMIN =LAKI-LAKI|Y=TEPAT) P(STATUS MHS = MAHASISWA | Y= TEPAT) P(PRENIKAHAN =BELUM|Y=TEPAT) P(IPK = 270| Y= TEPAT)= 58 58 48 08 815 = 0
P (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TERLAMBAT)= P(P(KELAMIN =LAKI-LAKI|Y= TERLAMBAT) P(STATUS MHS = MAHASISWA | Y= TERLAMBAT) P(PRENIKAHAN = BELUM|Y= TERLAMBAT) P(IPK = 270| Y= TERLAMBAT)= 37 37 47 17 715= 00069
Tahap 4 Bandingkan hasil class TEPAT amp TERLAMBATKarena hasil (P|TERLAMBAT) lebih besar dari (P|TERLAMBAT) maka keputusanya adalah ldquoTERLAMBATrdquo
DEFINISI FUZZY C-MEANS
Fuzzy C-means Clustering (FCM) atau dikenal juga sebagai Fuzzy ISODATA merupakan salah satu metode clustering yang merupakan bagian dari metode Hard K-Means FCM menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1
KONSEP FUZZY C-MEANS
1 Penentuan pusat cluster yang menandai lokasi rata-rata untuk tiap cluster dengan kondisi awal tidak akurat
2 Tiap data memiliki derajat keanggotaan untuk masing-masing cluster
3 Dengan perulangan yang didasarkan pada minimisasi fungsi obyektif pusat cluster dan nilai kenaggotaan diperbaiki Sehingga lokasi cluster bisa berada pada posisi yang benar
RUMUS FUZZY C-MEANS
Buat matriks partisi awal secara acak dengan ketentuan jumlah setiap kolom pada matrik harus sama dengan 1
RUMUS FUZZY C-MEANS
Hitung Pusat Cluster dg persamaan
Ket V = Pusat ClusterW = pangkat atau pembobot ( W gt 1 )
RUMUS FUZZY C-MEANS
Perbaiki derajat keanggotaan setiap anggota
dengan mencari jarak (d) antara pusat dan data
RUMUS FUZZY C-MEANS
Tentukan nilai kriteria berhenti
Nilai kriteria berhenti merupakan perubahan yang terjadi pada matrik partisi pada iterasi sekarang dengan iterasi sebelumnya
Jika nilai kriteria berhenti lebih besar atau sama dengan selisihnya maka hentikan proses tetapi jika tidak kembali ke PERUMUSAN 2 (hitung pusat cluster)
CONTOH KASUS FUZZY C-MEANS
MENGHITUNG DATA PERFORMANCE MENGAJAR DOSEN
Untuk evaluasi proses pengajaran oleh dosen selama satu semester salah satu cara dengan meminta mahasiswa untuk memberikan penilaian terhadap performance dosen dalam mengampu suatu mata kuliah selalu satu semester dalam beberapa kriteria penilaian Kriteria yang digunakan antara lain
1048707 N1 Penguasaan dan kemampuan dalam menjelaskan materi1048707 N2 Kemampuan dalam menjawab pertanyaan1048707 N3 Kemampuan dalam memberi motivas mahasiswa1048707 N4 kemampuan membuat suasana kelas menyenangkan1048707 N5 Kedisiplinan hadir dalam perkuliahan
CONTOH KASUS FUZZY C-MEANS
Dari nilai kelima kriteria tersebut didapat nilai indeks prestasi kumulatif dosen dalam mengampu suatu mata kuliah selama satu semester Seorang dosen dalam satu semester mungkin harus mengampu lebih dari satu mata kuliah Atau satu mata kuliah mungkin harus diampu oleh lebih dari seorang dosen Proses clustering yang dilakukan akan mencoba mengetahui kemungkinan adanya kelompokkelompok yang mungkin belum diketahui dari data performance mengajar dosen terhadap suatu mata kuliah
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
Kekurangan Naive Bayesian Tidak berlaku jika probabilitas
kondisionalnya adalah nol apabila nol maka probabilitas prediksi akan bernilai nol juga
Mengasumsikan variabel bebas
Contoh Perhitungan Naive Bayes Diketahui
Jawab
Tahap 1 menghitung jumlah classlabel P(Y= TEPAT) = 815 lsquo jumlah data ldquoTEPATrdquo pada komom lsquoSTATUS KELULUSANrsquo dibagijumlah data P(Y= TERLAMBAT) = 715 lsquo jumlah data ldquoTERLAMBATrdquo pada komom lsquoSTATUS KELULUSANrsquo dibagi jumlah data
Tahap 2 menghitung jumlah kasus yang sama dengan class yang sama
P(JENIS KELAMIN = LAKI - LAKI | Y= TEPAT) = 58 lsquojumlah data jenis kelamin ldquolaki-lakirdquo dengan keterangan ldquoTEPATrdquodibagi jumlah data TEPAT
P(JENIS KELAMIN = LAKI - LAKI | Y= TERLAMBAT) = 37 lsquojumlah data jenis kelamin ldquolaki-lakirdquo dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
P(STATUS MAHASISWA = MAHASISWA | Y= TEPAT) = 58lsquojumlah data dengan status mahasiswa dengan keterangan ldquoTEPATrdquo dibagi jumlah data TEPAT
P(STATUS MAHASISWA = MAHASISWA | Y= TERLAMBAT) = 37lsquojumlah data dengan status mahasiswa dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
P(STATUS PRENIKAHAN = BELUM| Y= TEPAT) = 48lsquojumlah data dengan status pernikahan ldquoBelum menikahrdquo dan keterangan ldquoTEPATrdquo dibagijumlah data TEPAT
P(STATUS PRENIKAHAN = BELUM| Y= TERLAMBAT) = 47lsquojumlah data dengan status pernikahan ldquoBelum menikahrdquo dan keterangan ldquoTERLAMBATrdquodibagi jumlah data TERLAMBAT
P(IPK = 270| Y= TEPAT) = 08lsquojumlah data IPK ldquo270rdquo dengan keterangan ldquoTEPATrdquo dibagi jumlah data TEPAT
P(IPK = 270| Y= TERLAMBAT) = 17lsquojumlah data IPK ldquo270rdquo dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
Tahap 3 kalikan semua hasil variable TEPAT amp TERLAMBATP (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TEPAT)= P(P(KELAMIN =LAKI-LAKI|Y=TEPAT) P(STATUS MHS = MAHASISWA | Y= TEPAT) P(PRENIKAHAN =BELUM|Y=TEPAT) P(IPK = 270| Y= TEPAT)= 58 58 48 08 815 = 0
P (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TERLAMBAT)= P(P(KELAMIN =LAKI-LAKI|Y= TERLAMBAT) P(STATUS MHS = MAHASISWA | Y= TERLAMBAT) P(PRENIKAHAN = BELUM|Y= TERLAMBAT) P(IPK = 270| Y= TERLAMBAT)= 37 37 47 17 715= 00069
Tahap 4 Bandingkan hasil class TEPAT amp TERLAMBATKarena hasil (P|TERLAMBAT) lebih besar dari (P|TERLAMBAT) maka keputusanya adalah ldquoTERLAMBATrdquo
DEFINISI FUZZY C-MEANS
Fuzzy C-means Clustering (FCM) atau dikenal juga sebagai Fuzzy ISODATA merupakan salah satu metode clustering yang merupakan bagian dari metode Hard K-Means FCM menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1
KONSEP FUZZY C-MEANS
1 Penentuan pusat cluster yang menandai lokasi rata-rata untuk tiap cluster dengan kondisi awal tidak akurat
2 Tiap data memiliki derajat keanggotaan untuk masing-masing cluster
3 Dengan perulangan yang didasarkan pada minimisasi fungsi obyektif pusat cluster dan nilai kenaggotaan diperbaiki Sehingga lokasi cluster bisa berada pada posisi yang benar
RUMUS FUZZY C-MEANS
Buat matriks partisi awal secara acak dengan ketentuan jumlah setiap kolom pada matrik harus sama dengan 1
RUMUS FUZZY C-MEANS
Hitung Pusat Cluster dg persamaan
Ket V = Pusat ClusterW = pangkat atau pembobot ( W gt 1 )
RUMUS FUZZY C-MEANS
Perbaiki derajat keanggotaan setiap anggota
dengan mencari jarak (d) antara pusat dan data
RUMUS FUZZY C-MEANS
Tentukan nilai kriteria berhenti
Nilai kriteria berhenti merupakan perubahan yang terjadi pada matrik partisi pada iterasi sekarang dengan iterasi sebelumnya
Jika nilai kriteria berhenti lebih besar atau sama dengan selisihnya maka hentikan proses tetapi jika tidak kembali ke PERUMUSAN 2 (hitung pusat cluster)
CONTOH KASUS FUZZY C-MEANS
MENGHITUNG DATA PERFORMANCE MENGAJAR DOSEN
Untuk evaluasi proses pengajaran oleh dosen selama satu semester salah satu cara dengan meminta mahasiswa untuk memberikan penilaian terhadap performance dosen dalam mengampu suatu mata kuliah selalu satu semester dalam beberapa kriteria penilaian Kriteria yang digunakan antara lain
1048707 N1 Penguasaan dan kemampuan dalam menjelaskan materi1048707 N2 Kemampuan dalam menjawab pertanyaan1048707 N3 Kemampuan dalam memberi motivas mahasiswa1048707 N4 kemampuan membuat suasana kelas menyenangkan1048707 N5 Kedisiplinan hadir dalam perkuliahan
CONTOH KASUS FUZZY C-MEANS
Dari nilai kelima kriteria tersebut didapat nilai indeks prestasi kumulatif dosen dalam mengampu suatu mata kuliah selama satu semester Seorang dosen dalam satu semester mungkin harus mengampu lebih dari satu mata kuliah Atau satu mata kuliah mungkin harus diampu oleh lebih dari seorang dosen Proses clustering yang dilakukan akan mencoba mengetahui kemungkinan adanya kelompokkelompok yang mungkin belum diketahui dari data performance mengajar dosen terhadap suatu mata kuliah
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
Contoh Perhitungan Naive Bayes Diketahui
Jawab
Tahap 1 menghitung jumlah classlabel P(Y= TEPAT) = 815 lsquo jumlah data ldquoTEPATrdquo pada komom lsquoSTATUS KELULUSANrsquo dibagijumlah data P(Y= TERLAMBAT) = 715 lsquo jumlah data ldquoTERLAMBATrdquo pada komom lsquoSTATUS KELULUSANrsquo dibagi jumlah data
Tahap 2 menghitung jumlah kasus yang sama dengan class yang sama
P(JENIS KELAMIN = LAKI - LAKI | Y= TEPAT) = 58 lsquojumlah data jenis kelamin ldquolaki-lakirdquo dengan keterangan ldquoTEPATrdquodibagi jumlah data TEPAT
P(JENIS KELAMIN = LAKI - LAKI | Y= TERLAMBAT) = 37 lsquojumlah data jenis kelamin ldquolaki-lakirdquo dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
P(STATUS MAHASISWA = MAHASISWA | Y= TEPAT) = 58lsquojumlah data dengan status mahasiswa dengan keterangan ldquoTEPATrdquo dibagi jumlah data TEPAT
P(STATUS MAHASISWA = MAHASISWA | Y= TERLAMBAT) = 37lsquojumlah data dengan status mahasiswa dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
P(STATUS PRENIKAHAN = BELUM| Y= TEPAT) = 48lsquojumlah data dengan status pernikahan ldquoBelum menikahrdquo dan keterangan ldquoTEPATrdquo dibagijumlah data TEPAT
P(STATUS PRENIKAHAN = BELUM| Y= TERLAMBAT) = 47lsquojumlah data dengan status pernikahan ldquoBelum menikahrdquo dan keterangan ldquoTERLAMBATrdquodibagi jumlah data TERLAMBAT
P(IPK = 270| Y= TEPAT) = 08lsquojumlah data IPK ldquo270rdquo dengan keterangan ldquoTEPATrdquo dibagi jumlah data TEPAT
P(IPK = 270| Y= TERLAMBAT) = 17lsquojumlah data IPK ldquo270rdquo dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
Tahap 3 kalikan semua hasil variable TEPAT amp TERLAMBATP (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TEPAT)= P(P(KELAMIN =LAKI-LAKI|Y=TEPAT) P(STATUS MHS = MAHASISWA | Y= TEPAT) P(PRENIKAHAN =BELUM|Y=TEPAT) P(IPK = 270| Y= TEPAT)= 58 58 48 08 815 = 0
P (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TERLAMBAT)= P(P(KELAMIN =LAKI-LAKI|Y= TERLAMBAT) P(STATUS MHS = MAHASISWA | Y= TERLAMBAT) P(PRENIKAHAN = BELUM|Y= TERLAMBAT) P(IPK = 270| Y= TERLAMBAT)= 37 37 47 17 715= 00069
Tahap 4 Bandingkan hasil class TEPAT amp TERLAMBATKarena hasil (P|TERLAMBAT) lebih besar dari (P|TERLAMBAT) maka keputusanya adalah ldquoTERLAMBATrdquo
DEFINISI FUZZY C-MEANS
Fuzzy C-means Clustering (FCM) atau dikenal juga sebagai Fuzzy ISODATA merupakan salah satu metode clustering yang merupakan bagian dari metode Hard K-Means FCM menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1
KONSEP FUZZY C-MEANS
1 Penentuan pusat cluster yang menandai lokasi rata-rata untuk tiap cluster dengan kondisi awal tidak akurat
2 Tiap data memiliki derajat keanggotaan untuk masing-masing cluster
3 Dengan perulangan yang didasarkan pada minimisasi fungsi obyektif pusat cluster dan nilai kenaggotaan diperbaiki Sehingga lokasi cluster bisa berada pada posisi yang benar
RUMUS FUZZY C-MEANS
Buat matriks partisi awal secara acak dengan ketentuan jumlah setiap kolom pada matrik harus sama dengan 1
RUMUS FUZZY C-MEANS
Hitung Pusat Cluster dg persamaan
Ket V = Pusat ClusterW = pangkat atau pembobot ( W gt 1 )
RUMUS FUZZY C-MEANS
Perbaiki derajat keanggotaan setiap anggota
dengan mencari jarak (d) antara pusat dan data
RUMUS FUZZY C-MEANS
Tentukan nilai kriteria berhenti
Nilai kriteria berhenti merupakan perubahan yang terjadi pada matrik partisi pada iterasi sekarang dengan iterasi sebelumnya
Jika nilai kriteria berhenti lebih besar atau sama dengan selisihnya maka hentikan proses tetapi jika tidak kembali ke PERUMUSAN 2 (hitung pusat cluster)
CONTOH KASUS FUZZY C-MEANS
MENGHITUNG DATA PERFORMANCE MENGAJAR DOSEN
Untuk evaluasi proses pengajaran oleh dosen selama satu semester salah satu cara dengan meminta mahasiswa untuk memberikan penilaian terhadap performance dosen dalam mengampu suatu mata kuliah selalu satu semester dalam beberapa kriteria penilaian Kriteria yang digunakan antara lain
1048707 N1 Penguasaan dan kemampuan dalam menjelaskan materi1048707 N2 Kemampuan dalam menjawab pertanyaan1048707 N3 Kemampuan dalam memberi motivas mahasiswa1048707 N4 kemampuan membuat suasana kelas menyenangkan1048707 N5 Kedisiplinan hadir dalam perkuliahan
CONTOH KASUS FUZZY C-MEANS
Dari nilai kelima kriteria tersebut didapat nilai indeks prestasi kumulatif dosen dalam mengampu suatu mata kuliah selama satu semester Seorang dosen dalam satu semester mungkin harus mengampu lebih dari satu mata kuliah Atau satu mata kuliah mungkin harus diampu oleh lebih dari seorang dosen Proses clustering yang dilakukan akan mencoba mengetahui kemungkinan adanya kelompokkelompok yang mungkin belum diketahui dari data performance mengajar dosen terhadap suatu mata kuliah
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
Jawab
Tahap 1 menghitung jumlah classlabel P(Y= TEPAT) = 815 lsquo jumlah data ldquoTEPATrdquo pada komom lsquoSTATUS KELULUSANrsquo dibagijumlah data P(Y= TERLAMBAT) = 715 lsquo jumlah data ldquoTERLAMBATrdquo pada komom lsquoSTATUS KELULUSANrsquo dibagi jumlah data
Tahap 2 menghitung jumlah kasus yang sama dengan class yang sama
P(JENIS KELAMIN = LAKI - LAKI | Y= TEPAT) = 58 lsquojumlah data jenis kelamin ldquolaki-lakirdquo dengan keterangan ldquoTEPATrdquodibagi jumlah data TEPAT
P(JENIS KELAMIN = LAKI - LAKI | Y= TERLAMBAT) = 37 lsquojumlah data jenis kelamin ldquolaki-lakirdquo dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
P(STATUS MAHASISWA = MAHASISWA | Y= TEPAT) = 58lsquojumlah data dengan status mahasiswa dengan keterangan ldquoTEPATrdquo dibagi jumlah data TEPAT
P(STATUS MAHASISWA = MAHASISWA | Y= TERLAMBAT) = 37lsquojumlah data dengan status mahasiswa dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
P(STATUS PRENIKAHAN = BELUM| Y= TEPAT) = 48lsquojumlah data dengan status pernikahan ldquoBelum menikahrdquo dan keterangan ldquoTEPATrdquo dibagijumlah data TEPAT
P(STATUS PRENIKAHAN = BELUM| Y= TERLAMBAT) = 47lsquojumlah data dengan status pernikahan ldquoBelum menikahrdquo dan keterangan ldquoTERLAMBATrdquodibagi jumlah data TERLAMBAT
P(IPK = 270| Y= TEPAT) = 08lsquojumlah data IPK ldquo270rdquo dengan keterangan ldquoTEPATrdquo dibagi jumlah data TEPAT
P(IPK = 270| Y= TERLAMBAT) = 17lsquojumlah data IPK ldquo270rdquo dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
Tahap 3 kalikan semua hasil variable TEPAT amp TERLAMBATP (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TEPAT)= P(P(KELAMIN =LAKI-LAKI|Y=TEPAT) P(STATUS MHS = MAHASISWA | Y= TEPAT) P(PRENIKAHAN =BELUM|Y=TEPAT) P(IPK = 270| Y= TEPAT)= 58 58 48 08 815 = 0
P (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TERLAMBAT)= P(P(KELAMIN =LAKI-LAKI|Y= TERLAMBAT) P(STATUS MHS = MAHASISWA | Y= TERLAMBAT) P(PRENIKAHAN = BELUM|Y= TERLAMBAT) P(IPK = 270| Y= TERLAMBAT)= 37 37 47 17 715= 00069
Tahap 4 Bandingkan hasil class TEPAT amp TERLAMBATKarena hasil (P|TERLAMBAT) lebih besar dari (P|TERLAMBAT) maka keputusanya adalah ldquoTERLAMBATrdquo
DEFINISI FUZZY C-MEANS
Fuzzy C-means Clustering (FCM) atau dikenal juga sebagai Fuzzy ISODATA merupakan salah satu metode clustering yang merupakan bagian dari metode Hard K-Means FCM menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1
KONSEP FUZZY C-MEANS
1 Penentuan pusat cluster yang menandai lokasi rata-rata untuk tiap cluster dengan kondisi awal tidak akurat
2 Tiap data memiliki derajat keanggotaan untuk masing-masing cluster
3 Dengan perulangan yang didasarkan pada minimisasi fungsi obyektif pusat cluster dan nilai kenaggotaan diperbaiki Sehingga lokasi cluster bisa berada pada posisi yang benar
RUMUS FUZZY C-MEANS
Buat matriks partisi awal secara acak dengan ketentuan jumlah setiap kolom pada matrik harus sama dengan 1
RUMUS FUZZY C-MEANS
Hitung Pusat Cluster dg persamaan
Ket V = Pusat ClusterW = pangkat atau pembobot ( W gt 1 )
RUMUS FUZZY C-MEANS
Perbaiki derajat keanggotaan setiap anggota
dengan mencari jarak (d) antara pusat dan data
RUMUS FUZZY C-MEANS
Tentukan nilai kriteria berhenti
Nilai kriteria berhenti merupakan perubahan yang terjadi pada matrik partisi pada iterasi sekarang dengan iterasi sebelumnya
Jika nilai kriteria berhenti lebih besar atau sama dengan selisihnya maka hentikan proses tetapi jika tidak kembali ke PERUMUSAN 2 (hitung pusat cluster)
CONTOH KASUS FUZZY C-MEANS
MENGHITUNG DATA PERFORMANCE MENGAJAR DOSEN
Untuk evaluasi proses pengajaran oleh dosen selama satu semester salah satu cara dengan meminta mahasiswa untuk memberikan penilaian terhadap performance dosen dalam mengampu suatu mata kuliah selalu satu semester dalam beberapa kriteria penilaian Kriteria yang digunakan antara lain
1048707 N1 Penguasaan dan kemampuan dalam menjelaskan materi1048707 N2 Kemampuan dalam menjawab pertanyaan1048707 N3 Kemampuan dalam memberi motivas mahasiswa1048707 N4 kemampuan membuat suasana kelas menyenangkan1048707 N5 Kedisiplinan hadir dalam perkuliahan
CONTOH KASUS FUZZY C-MEANS
Dari nilai kelima kriteria tersebut didapat nilai indeks prestasi kumulatif dosen dalam mengampu suatu mata kuliah selama satu semester Seorang dosen dalam satu semester mungkin harus mengampu lebih dari satu mata kuliah Atau satu mata kuliah mungkin harus diampu oleh lebih dari seorang dosen Proses clustering yang dilakukan akan mencoba mengetahui kemungkinan adanya kelompokkelompok yang mungkin belum diketahui dari data performance mengajar dosen terhadap suatu mata kuliah
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
Tahap 2 menghitung jumlah kasus yang sama dengan class yang sama
P(JENIS KELAMIN = LAKI - LAKI | Y= TEPAT) = 58 lsquojumlah data jenis kelamin ldquolaki-lakirdquo dengan keterangan ldquoTEPATrdquodibagi jumlah data TEPAT
P(JENIS KELAMIN = LAKI - LAKI | Y= TERLAMBAT) = 37 lsquojumlah data jenis kelamin ldquolaki-lakirdquo dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
P(STATUS MAHASISWA = MAHASISWA | Y= TEPAT) = 58lsquojumlah data dengan status mahasiswa dengan keterangan ldquoTEPATrdquo dibagi jumlah data TEPAT
P(STATUS MAHASISWA = MAHASISWA | Y= TERLAMBAT) = 37lsquojumlah data dengan status mahasiswa dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
P(STATUS PRENIKAHAN = BELUM| Y= TEPAT) = 48lsquojumlah data dengan status pernikahan ldquoBelum menikahrdquo dan keterangan ldquoTEPATrdquo dibagijumlah data TEPAT
P(STATUS PRENIKAHAN = BELUM| Y= TERLAMBAT) = 47lsquojumlah data dengan status pernikahan ldquoBelum menikahrdquo dan keterangan ldquoTERLAMBATrdquodibagi jumlah data TERLAMBAT
P(IPK = 270| Y= TEPAT) = 08lsquojumlah data IPK ldquo270rdquo dengan keterangan ldquoTEPATrdquo dibagi jumlah data TEPAT
P(IPK = 270| Y= TERLAMBAT) = 17lsquojumlah data IPK ldquo270rdquo dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
Tahap 3 kalikan semua hasil variable TEPAT amp TERLAMBATP (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TEPAT)= P(P(KELAMIN =LAKI-LAKI|Y=TEPAT) P(STATUS MHS = MAHASISWA | Y= TEPAT) P(PRENIKAHAN =BELUM|Y=TEPAT) P(IPK = 270| Y= TEPAT)= 58 58 48 08 815 = 0
P (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TERLAMBAT)= P(P(KELAMIN =LAKI-LAKI|Y= TERLAMBAT) P(STATUS MHS = MAHASISWA | Y= TERLAMBAT) P(PRENIKAHAN = BELUM|Y= TERLAMBAT) P(IPK = 270| Y= TERLAMBAT)= 37 37 47 17 715= 00069
Tahap 4 Bandingkan hasil class TEPAT amp TERLAMBATKarena hasil (P|TERLAMBAT) lebih besar dari (P|TERLAMBAT) maka keputusanya adalah ldquoTERLAMBATrdquo
DEFINISI FUZZY C-MEANS
Fuzzy C-means Clustering (FCM) atau dikenal juga sebagai Fuzzy ISODATA merupakan salah satu metode clustering yang merupakan bagian dari metode Hard K-Means FCM menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1
KONSEP FUZZY C-MEANS
1 Penentuan pusat cluster yang menandai lokasi rata-rata untuk tiap cluster dengan kondisi awal tidak akurat
2 Tiap data memiliki derajat keanggotaan untuk masing-masing cluster
3 Dengan perulangan yang didasarkan pada minimisasi fungsi obyektif pusat cluster dan nilai kenaggotaan diperbaiki Sehingga lokasi cluster bisa berada pada posisi yang benar
RUMUS FUZZY C-MEANS
Buat matriks partisi awal secara acak dengan ketentuan jumlah setiap kolom pada matrik harus sama dengan 1
RUMUS FUZZY C-MEANS
Hitung Pusat Cluster dg persamaan
Ket V = Pusat ClusterW = pangkat atau pembobot ( W gt 1 )
RUMUS FUZZY C-MEANS
Perbaiki derajat keanggotaan setiap anggota
dengan mencari jarak (d) antara pusat dan data
RUMUS FUZZY C-MEANS
Tentukan nilai kriteria berhenti
Nilai kriteria berhenti merupakan perubahan yang terjadi pada matrik partisi pada iterasi sekarang dengan iterasi sebelumnya
Jika nilai kriteria berhenti lebih besar atau sama dengan selisihnya maka hentikan proses tetapi jika tidak kembali ke PERUMUSAN 2 (hitung pusat cluster)
CONTOH KASUS FUZZY C-MEANS
MENGHITUNG DATA PERFORMANCE MENGAJAR DOSEN
Untuk evaluasi proses pengajaran oleh dosen selama satu semester salah satu cara dengan meminta mahasiswa untuk memberikan penilaian terhadap performance dosen dalam mengampu suatu mata kuliah selalu satu semester dalam beberapa kriteria penilaian Kriteria yang digunakan antara lain
1048707 N1 Penguasaan dan kemampuan dalam menjelaskan materi1048707 N2 Kemampuan dalam menjawab pertanyaan1048707 N3 Kemampuan dalam memberi motivas mahasiswa1048707 N4 kemampuan membuat suasana kelas menyenangkan1048707 N5 Kedisiplinan hadir dalam perkuliahan
CONTOH KASUS FUZZY C-MEANS
Dari nilai kelima kriteria tersebut didapat nilai indeks prestasi kumulatif dosen dalam mengampu suatu mata kuliah selama satu semester Seorang dosen dalam satu semester mungkin harus mengampu lebih dari satu mata kuliah Atau satu mata kuliah mungkin harus diampu oleh lebih dari seorang dosen Proses clustering yang dilakukan akan mencoba mengetahui kemungkinan adanya kelompokkelompok yang mungkin belum diketahui dari data performance mengajar dosen terhadap suatu mata kuliah
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
P(STATUS PRENIKAHAN = BELUM| Y= TEPAT) = 48lsquojumlah data dengan status pernikahan ldquoBelum menikahrdquo dan keterangan ldquoTEPATrdquo dibagijumlah data TEPAT
P(STATUS PRENIKAHAN = BELUM| Y= TERLAMBAT) = 47lsquojumlah data dengan status pernikahan ldquoBelum menikahrdquo dan keterangan ldquoTERLAMBATrdquodibagi jumlah data TERLAMBAT
P(IPK = 270| Y= TEPAT) = 08lsquojumlah data IPK ldquo270rdquo dengan keterangan ldquoTEPATrdquo dibagi jumlah data TEPAT
P(IPK = 270| Y= TERLAMBAT) = 17lsquojumlah data IPK ldquo270rdquo dengan keterangan ldquoTERLAMBATrdquo dibagi jumlah data TERLAMBAT
Tahap 3 kalikan semua hasil variable TEPAT amp TERLAMBATP (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TEPAT)= P(P(KELAMIN =LAKI-LAKI|Y=TEPAT) P(STATUS MHS = MAHASISWA | Y= TEPAT) P(PRENIKAHAN =BELUM|Y=TEPAT) P(IPK = 270| Y= TEPAT)= 58 58 48 08 815 = 0
P (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TERLAMBAT)= P(P(KELAMIN =LAKI-LAKI|Y= TERLAMBAT) P(STATUS MHS = MAHASISWA | Y= TERLAMBAT) P(PRENIKAHAN = BELUM|Y= TERLAMBAT) P(IPK = 270| Y= TERLAMBAT)= 37 37 47 17 715= 00069
Tahap 4 Bandingkan hasil class TEPAT amp TERLAMBATKarena hasil (P|TERLAMBAT) lebih besar dari (P|TERLAMBAT) maka keputusanya adalah ldquoTERLAMBATrdquo
DEFINISI FUZZY C-MEANS
Fuzzy C-means Clustering (FCM) atau dikenal juga sebagai Fuzzy ISODATA merupakan salah satu metode clustering yang merupakan bagian dari metode Hard K-Means FCM menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1
KONSEP FUZZY C-MEANS
1 Penentuan pusat cluster yang menandai lokasi rata-rata untuk tiap cluster dengan kondisi awal tidak akurat
2 Tiap data memiliki derajat keanggotaan untuk masing-masing cluster
3 Dengan perulangan yang didasarkan pada minimisasi fungsi obyektif pusat cluster dan nilai kenaggotaan diperbaiki Sehingga lokasi cluster bisa berada pada posisi yang benar
RUMUS FUZZY C-MEANS
Buat matriks partisi awal secara acak dengan ketentuan jumlah setiap kolom pada matrik harus sama dengan 1
RUMUS FUZZY C-MEANS
Hitung Pusat Cluster dg persamaan
Ket V = Pusat ClusterW = pangkat atau pembobot ( W gt 1 )
RUMUS FUZZY C-MEANS
Perbaiki derajat keanggotaan setiap anggota
dengan mencari jarak (d) antara pusat dan data
RUMUS FUZZY C-MEANS
Tentukan nilai kriteria berhenti
Nilai kriteria berhenti merupakan perubahan yang terjadi pada matrik partisi pada iterasi sekarang dengan iterasi sebelumnya
Jika nilai kriteria berhenti lebih besar atau sama dengan selisihnya maka hentikan proses tetapi jika tidak kembali ke PERUMUSAN 2 (hitung pusat cluster)
CONTOH KASUS FUZZY C-MEANS
MENGHITUNG DATA PERFORMANCE MENGAJAR DOSEN
Untuk evaluasi proses pengajaran oleh dosen selama satu semester salah satu cara dengan meminta mahasiswa untuk memberikan penilaian terhadap performance dosen dalam mengampu suatu mata kuliah selalu satu semester dalam beberapa kriteria penilaian Kriteria yang digunakan antara lain
1048707 N1 Penguasaan dan kemampuan dalam menjelaskan materi1048707 N2 Kemampuan dalam menjawab pertanyaan1048707 N3 Kemampuan dalam memberi motivas mahasiswa1048707 N4 kemampuan membuat suasana kelas menyenangkan1048707 N5 Kedisiplinan hadir dalam perkuliahan
CONTOH KASUS FUZZY C-MEANS
Dari nilai kelima kriteria tersebut didapat nilai indeks prestasi kumulatif dosen dalam mengampu suatu mata kuliah selama satu semester Seorang dosen dalam satu semester mungkin harus mengampu lebih dari satu mata kuliah Atau satu mata kuliah mungkin harus diampu oleh lebih dari seorang dosen Proses clustering yang dilakukan akan mencoba mengetahui kemungkinan adanya kelompokkelompok yang mungkin belum diketahui dari data performance mengajar dosen terhadap suatu mata kuliah
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
Tahap 3 kalikan semua hasil variable TEPAT amp TERLAMBATP (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TEPAT)= P(P(KELAMIN =LAKI-LAKI|Y=TEPAT) P(STATUS MHS = MAHASISWA | Y= TEPAT) P(PRENIKAHAN =BELUM|Y=TEPAT) P(IPK = 270| Y= TEPAT)= 58 58 48 08 815 = 0
P (KELAMIN=LAKI ndash LAKI) (STATUS MHS=MAHASISWA) (PRENIKAHAN = BELUM) (IPK =270 ) |TERLAMBAT)= P(P(KELAMIN =LAKI-LAKI|Y= TERLAMBAT) P(STATUS MHS = MAHASISWA | Y= TERLAMBAT) P(PRENIKAHAN = BELUM|Y= TERLAMBAT) P(IPK = 270| Y= TERLAMBAT)= 37 37 47 17 715= 00069
Tahap 4 Bandingkan hasil class TEPAT amp TERLAMBATKarena hasil (P|TERLAMBAT) lebih besar dari (P|TERLAMBAT) maka keputusanya adalah ldquoTERLAMBATrdquo
DEFINISI FUZZY C-MEANS
Fuzzy C-means Clustering (FCM) atau dikenal juga sebagai Fuzzy ISODATA merupakan salah satu metode clustering yang merupakan bagian dari metode Hard K-Means FCM menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1
KONSEP FUZZY C-MEANS
1 Penentuan pusat cluster yang menandai lokasi rata-rata untuk tiap cluster dengan kondisi awal tidak akurat
2 Tiap data memiliki derajat keanggotaan untuk masing-masing cluster
3 Dengan perulangan yang didasarkan pada minimisasi fungsi obyektif pusat cluster dan nilai kenaggotaan diperbaiki Sehingga lokasi cluster bisa berada pada posisi yang benar
RUMUS FUZZY C-MEANS
Buat matriks partisi awal secara acak dengan ketentuan jumlah setiap kolom pada matrik harus sama dengan 1
RUMUS FUZZY C-MEANS
Hitung Pusat Cluster dg persamaan
Ket V = Pusat ClusterW = pangkat atau pembobot ( W gt 1 )
RUMUS FUZZY C-MEANS
Perbaiki derajat keanggotaan setiap anggota
dengan mencari jarak (d) antara pusat dan data
RUMUS FUZZY C-MEANS
Tentukan nilai kriteria berhenti
Nilai kriteria berhenti merupakan perubahan yang terjadi pada matrik partisi pada iterasi sekarang dengan iterasi sebelumnya
Jika nilai kriteria berhenti lebih besar atau sama dengan selisihnya maka hentikan proses tetapi jika tidak kembali ke PERUMUSAN 2 (hitung pusat cluster)
CONTOH KASUS FUZZY C-MEANS
MENGHITUNG DATA PERFORMANCE MENGAJAR DOSEN
Untuk evaluasi proses pengajaran oleh dosen selama satu semester salah satu cara dengan meminta mahasiswa untuk memberikan penilaian terhadap performance dosen dalam mengampu suatu mata kuliah selalu satu semester dalam beberapa kriteria penilaian Kriteria yang digunakan antara lain
1048707 N1 Penguasaan dan kemampuan dalam menjelaskan materi1048707 N2 Kemampuan dalam menjawab pertanyaan1048707 N3 Kemampuan dalam memberi motivas mahasiswa1048707 N4 kemampuan membuat suasana kelas menyenangkan1048707 N5 Kedisiplinan hadir dalam perkuliahan
CONTOH KASUS FUZZY C-MEANS
Dari nilai kelima kriteria tersebut didapat nilai indeks prestasi kumulatif dosen dalam mengampu suatu mata kuliah selama satu semester Seorang dosen dalam satu semester mungkin harus mengampu lebih dari satu mata kuliah Atau satu mata kuliah mungkin harus diampu oleh lebih dari seorang dosen Proses clustering yang dilakukan akan mencoba mengetahui kemungkinan adanya kelompokkelompok yang mungkin belum diketahui dari data performance mengajar dosen terhadap suatu mata kuliah
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
Tahap 4 Bandingkan hasil class TEPAT amp TERLAMBATKarena hasil (P|TERLAMBAT) lebih besar dari (P|TERLAMBAT) maka keputusanya adalah ldquoTERLAMBATrdquo
DEFINISI FUZZY C-MEANS
Fuzzy C-means Clustering (FCM) atau dikenal juga sebagai Fuzzy ISODATA merupakan salah satu metode clustering yang merupakan bagian dari metode Hard K-Means FCM menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1
KONSEP FUZZY C-MEANS
1 Penentuan pusat cluster yang menandai lokasi rata-rata untuk tiap cluster dengan kondisi awal tidak akurat
2 Tiap data memiliki derajat keanggotaan untuk masing-masing cluster
3 Dengan perulangan yang didasarkan pada minimisasi fungsi obyektif pusat cluster dan nilai kenaggotaan diperbaiki Sehingga lokasi cluster bisa berada pada posisi yang benar
RUMUS FUZZY C-MEANS
Buat matriks partisi awal secara acak dengan ketentuan jumlah setiap kolom pada matrik harus sama dengan 1
RUMUS FUZZY C-MEANS
Hitung Pusat Cluster dg persamaan
Ket V = Pusat ClusterW = pangkat atau pembobot ( W gt 1 )
RUMUS FUZZY C-MEANS
Perbaiki derajat keanggotaan setiap anggota
dengan mencari jarak (d) antara pusat dan data
RUMUS FUZZY C-MEANS
Tentukan nilai kriteria berhenti
Nilai kriteria berhenti merupakan perubahan yang terjadi pada matrik partisi pada iterasi sekarang dengan iterasi sebelumnya
Jika nilai kriteria berhenti lebih besar atau sama dengan selisihnya maka hentikan proses tetapi jika tidak kembali ke PERUMUSAN 2 (hitung pusat cluster)
CONTOH KASUS FUZZY C-MEANS
MENGHITUNG DATA PERFORMANCE MENGAJAR DOSEN
Untuk evaluasi proses pengajaran oleh dosen selama satu semester salah satu cara dengan meminta mahasiswa untuk memberikan penilaian terhadap performance dosen dalam mengampu suatu mata kuliah selalu satu semester dalam beberapa kriteria penilaian Kriteria yang digunakan antara lain
1048707 N1 Penguasaan dan kemampuan dalam menjelaskan materi1048707 N2 Kemampuan dalam menjawab pertanyaan1048707 N3 Kemampuan dalam memberi motivas mahasiswa1048707 N4 kemampuan membuat suasana kelas menyenangkan1048707 N5 Kedisiplinan hadir dalam perkuliahan
CONTOH KASUS FUZZY C-MEANS
Dari nilai kelima kriteria tersebut didapat nilai indeks prestasi kumulatif dosen dalam mengampu suatu mata kuliah selama satu semester Seorang dosen dalam satu semester mungkin harus mengampu lebih dari satu mata kuliah Atau satu mata kuliah mungkin harus diampu oleh lebih dari seorang dosen Proses clustering yang dilakukan akan mencoba mengetahui kemungkinan adanya kelompokkelompok yang mungkin belum diketahui dari data performance mengajar dosen terhadap suatu mata kuliah
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
DEFINISI FUZZY C-MEANS
Fuzzy C-means Clustering (FCM) atau dikenal juga sebagai Fuzzy ISODATA merupakan salah satu metode clustering yang merupakan bagian dari metode Hard K-Means FCM menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1
KONSEP FUZZY C-MEANS
1 Penentuan pusat cluster yang menandai lokasi rata-rata untuk tiap cluster dengan kondisi awal tidak akurat
2 Tiap data memiliki derajat keanggotaan untuk masing-masing cluster
3 Dengan perulangan yang didasarkan pada minimisasi fungsi obyektif pusat cluster dan nilai kenaggotaan diperbaiki Sehingga lokasi cluster bisa berada pada posisi yang benar
RUMUS FUZZY C-MEANS
Buat matriks partisi awal secara acak dengan ketentuan jumlah setiap kolom pada matrik harus sama dengan 1
RUMUS FUZZY C-MEANS
Hitung Pusat Cluster dg persamaan
Ket V = Pusat ClusterW = pangkat atau pembobot ( W gt 1 )
RUMUS FUZZY C-MEANS
Perbaiki derajat keanggotaan setiap anggota
dengan mencari jarak (d) antara pusat dan data
RUMUS FUZZY C-MEANS
Tentukan nilai kriteria berhenti
Nilai kriteria berhenti merupakan perubahan yang terjadi pada matrik partisi pada iterasi sekarang dengan iterasi sebelumnya
Jika nilai kriteria berhenti lebih besar atau sama dengan selisihnya maka hentikan proses tetapi jika tidak kembali ke PERUMUSAN 2 (hitung pusat cluster)
CONTOH KASUS FUZZY C-MEANS
MENGHITUNG DATA PERFORMANCE MENGAJAR DOSEN
Untuk evaluasi proses pengajaran oleh dosen selama satu semester salah satu cara dengan meminta mahasiswa untuk memberikan penilaian terhadap performance dosen dalam mengampu suatu mata kuliah selalu satu semester dalam beberapa kriteria penilaian Kriteria yang digunakan antara lain
1048707 N1 Penguasaan dan kemampuan dalam menjelaskan materi1048707 N2 Kemampuan dalam menjawab pertanyaan1048707 N3 Kemampuan dalam memberi motivas mahasiswa1048707 N4 kemampuan membuat suasana kelas menyenangkan1048707 N5 Kedisiplinan hadir dalam perkuliahan
CONTOH KASUS FUZZY C-MEANS
Dari nilai kelima kriteria tersebut didapat nilai indeks prestasi kumulatif dosen dalam mengampu suatu mata kuliah selama satu semester Seorang dosen dalam satu semester mungkin harus mengampu lebih dari satu mata kuliah Atau satu mata kuliah mungkin harus diampu oleh lebih dari seorang dosen Proses clustering yang dilakukan akan mencoba mengetahui kemungkinan adanya kelompokkelompok yang mungkin belum diketahui dari data performance mengajar dosen terhadap suatu mata kuliah
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
KONSEP FUZZY C-MEANS
1 Penentuan pusat cluster yang menandai lokasi rata-rata untuk tiap cluster dengan kondisi awal tidak akurat
2 Tiap data memiliki derajat keanggotaan untuk masing-masing cluster
3 Dengan perulangan yang didasarkan pada minimisasi fungsi obyektif pusat cluster dan nilai kenaggotaan diperbaiki Sehingga lokasi cluster bisa berada pada posisi yang benar
RUMUS FUZZY C-MEANS
Buat matriks partisi awal secara acak dengan ketentuan jumlah setiap kolom pada matrik harus sama dengan 1
RUMUS FUZZY C-MEANS
Hitung Pusat Cluster dg persamaan
Ket V = Pusat ClusterW = pangkat atau pembobot ( W gt 1 )
RUMUS FUZZY C-MEANS
Perbaiki derajat keanggotaan setiap anggota
dengan mencari jarak (d) antara pusat dan data
RUMUS FUZZY C-MEANS
Tentukan nilai kriteria berhenti
Nilai kriteria berhenti merupakan perubahan yang terjadi pada matrik partisi pada iterasi sekarang dengan iterasi sebelumnya
Jika nilai kriteria berhenti lebih besar atau sama dengan selisihnya maka hentikan proses tetapi jika tidak kembali ke PERUMUSAN 2 (hitung pusat cluster)
CONTOH KASUS FUZZY C-MEANS
MENGHITUNG DATA PERFORMANCE MENGAJAR DOSEN
Untuk evaluasi proses pengajaran oleh dosen selama satu semester salah satu cara dengan meminta mahasiswa untuk memberikan penilaian terhadap performance dosen dalam mengampu suatu mata kuliah selalu satu semester dalam beberapa kriteria penilaian Kriteria yang digunakan antara lain
1048707 N1 Penguasaan dan kemampuan dalam menjelaskan materi1048707 N2 Kemampuan dalam menjawab pertanyaan1048707 N3 Kemampuan dalam memberi motivas mahasiswa1048707 N4 kemampuan membuat suasana kelas menyenangkan1048707 N5 Kedisiplinan hadir dalam perkuliahan
CONTOH KASUS FUZZY C-MEANS
Dari nilai kelima kriteria tersebut didapat nilai indeks prestasi kumulatif dosen dalam mengampu suatu mata kuliah selama satu semester Seorang dosen dalam satu semester mungkin harus mengampu lebih dari satu mata kuliah Atau satu mata kuliah mungkin harus diampu oleh lebih dari seorang dosen Proses clustering yang dilakukan akan mencoba mengetahui kemungkinan adanya kelompokkelompok yang mungkin belum diketahui dari data performance mengajar dosen terhadap suatu mata kuliah
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
RUMUS FUZZY C-MEANS
Buat matriks partisi awal secara acak dengan ketentuan jumlah setiap kolom pada matrik harus sama dengan 1
RUMUS FUZZY C-MEANS
Hitung Pusat Cluster dg persamaan
Ket V = Pusat ClusterW = pangkat atau pembobot ( W gt 1 )
RUMUS FUZZY C-MEANS
Perbaiki derajat keanggotaan setiap anggota
dengan mencari jarak (d) antara pusat dan data
RUMUS FUZZY C-MEANS
Tentukan nilai kriteria berhenti
Nilai kriteria berhenti merupakan perubahan yang terjadi pada matrik partisi pada iterasi sekarang dengan iterasi sebelumnya
Jika nilai kriteria berhenti lebih besar atau sama dengan selisihnya maka hentikan proses tetapi jika tidak kembali ke PERUMUSAN 2 (hitung pusat cluster)
CONTOH KASUS FUZZY C-MEANS
MENGHITUNG DATA PERFORMANCE MENGAJAR DOSEN
Untuk evaluasi proses pengajaran oleh dosen selama satu semester salah satu cara dengan meminta mahasiswa untuk memberikan penilaian terhadap performance dosen dalam mengampu suatu mata kuliah selalu satu semester dalam beberapa kriteria penilaian Kriteria yang digunakan antara lain
1048707 N1 Penguasaan dan kemampuan dalam menjelaskan materi1048707 N2 Kemampuan dalam menjawab pertanyaan1048707 N3 Kemampuan dalam memberi motivas mahasiswa1048707 N4 kemampuan membuat suasana kelas menyenangkan1048707 N5 Kedisiplinan hadir dalam perkuliahan
CONTOH KASUS FUZZY C-MEANS
Dari nilai kelima kriteria tersebut didapat nilai indeks prestasi kumulatif dosen dalam mengampu suatu mata kuliah selama satu semester Seorang dosen dalam satu semester mungkin harus mengampu lebih dari satu mata kuliah Atau satu mata kuliah mungkin harus diampu oleh lebih dari seorang dosen Proses clustering yang dilakukan akan mencoba mengetahui kemungkinan adanya kelompokkelompok yang mungkin belum diketahui dari data performance mengajar dosen terhadap suatu mata kuliah
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
RUMUS FUZZY C-MEANS
Hitung Pusat Cluster dg persamaan
Ket V = Pusat ClusterW = pangkat atau pembobot ( W gt 1 )
RUMUS FUZZY C-MEANS
Perbaiki derajat keanggotaan setiap anggota
dengan mencari jarak (d) antara pusat dan data
RUMUS FUZZY C-MEANS
Tentukan nilai kriteria berhenti
Nilai kriteria berhenti merupakan perubahan yang terjadi pada matrik partisi pada iterasi sekarang dengan iterasi sebelumnya
Jika nilai kriteria berhenti lebih besar atau sama dengan selisihnya maka hentikan proses tetapi jika tidak kembali ke PERUMUSAN 2 (hitung pusat cluster)
CONTOH KASUS FUZZY C-MEANS
MENGHITUNG DATA PERFORMANCE MENGAJAR DOSEN
Untuk evaluasi proses pengajaran oleh dosen selama satu semester salah satu cara dengan meminta mahasiswa untuk memberikan penilaian terhadap performance dosen dalam mengampu suatu mata kuliah selalu satu semester dalam beberapa kriteria penilaian Kriteria yang digunakan antara lain
1048707 N1 Penguasaan dan kemampuan dalam menjelaskan materi1048707 N2 Kemampuan dalam menjawab pertanyaan1048707 N3 Kemampuan dalam memberi motivas mahasiswa1048707 N4 kemampuan membuat suasana kelas menyenangkan1048707 N5 Kedisiplinan hadir dalam perkuliahan
CONTOH KASUS FUZZY C-MEANS
Dari nilai kelima kriteria tersebut didapat nilai indeks prestasi kumulatif dosen dalam mengampu suatu mata kuliah selama satu semester Seorang dosen dalam satu semester mungkin harus mengampu lebih dari satu mata kuliah Atau satu mata kuliah mungkin harus diampu oleh lebih dari seorang dosen Proses clustering yang dilakukan akan mencoba mengetahui kemungkinan adanya kelompokkelompok yang mungkin belum diketahui dari data performance mengajar dosen terhadap suatu mata kuliah
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
RUMUS FUZZY C-MEANS
Perbaiki derajat keanggotaan setiap anggota
dengan mencari jarak (d) antara pusat dan data
RUMUS FUZZY C-MEANS
Tentukan nilai kriteria berhenti
Nilai kriteria berhenti merupakan perubahan yang terjadi pada matrik partisi pada iterasi sekarang dengan iterasi sebelumnya
Jika nilai kriteria berhenti lebih besar atau sama dengan selisihnya maka hentikan proses tetapi jika tidak kembali ke PERUMUSAN 2 (hitung pusat cluster)
CONTOH KASUS FUZZY C-MEANS
MENGHITUNG DATA PERFORMANCE MENGAJAR DOSEN
Untuk evaluasi proses pengajaran oleh dosen selama satu semester salah satu cara dengan meminta mahasiswa untuk memberikan penilaian terhadap performance dosen dalam mengampu suatu mata kuliah selalu satu semester dalam beberapa kriteria penilaian Kriteria yang digunakan antara lain
1048707 N1 Penguasaan dan kemampuan dalam menjelaskan materi1048707 N2 Kemampuan dalam menjawab pertanyaan1048707 N3 Kemampuan dalam memberi motivas mahasiswa1048707 N4 kemampuan membuat suasana kelas menyenangkan1048707 N5 Kedisiplinan hadir dalam perkuliahan
CONTOH KASUS FUZZY C-MEANS
Dari nilai kelima kriteria tersebut didapat nilai indeks prestasi kumulatif dosen dalam mengampu suatu mata kuliah selama satu semester Seorang dosen dalam satu semester mungkin harus mengampu lebih dari satu mata kuliah Atau satu mata kuliah mungkin harus diampu oleh lebih dari seorang dosen Proses clustering yang dilakukan akan mencoba mengetahui kemungkinan adanya kelompokkelompok yang mungkin belum diketahui dari data performance mengajar dosen terhadap suatu mata kuliah
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
RUMUS FUZZY C-MEANS
Tentukan nilai kriteria berhenti
Nilai kriteria berhenti merupakan perubahan yang terjadi pada matrik partisi pada iterasi sekarang dengan iterasi sebelumnya
Jika nilai kriteria berhenti lebih besar atau sama dengan selisihnya maka hentikan proses tetapi jika tidak kembali ke PERUMUSAN 2 (hitung pusat cluster)
CONTOH KASUS FUZZY C-MEANS
MENGHITUNG DATA PERFORMANCE MENGAJAR DOSEN
Untuk evaluasi proses pengajaran oleh dosen selama satu semester salah satu cara dengan meminta mahasiswa untuk memberikan penilaian terhadap performance dosen dalam mengampu suatu mata kuliah selalu satu semester dalam beberapa kriteria penilaian Kriteria yang digunakan antara lain
1048707 N1 Penguasaan dan kemampuan dalam menjelaskan materi1048707 N2 Kemampuan dalam menjawab pertanyaan1048707 N3 Kemampuan dalam memberi motivas mahasiswa1048707 N4 kemampuan membuat suasana kelas menyenangkan1048707 N5 Kedisiplinan hadir dalam perkuliahan
CONTOH KASUS FUZZY C-MEANS
Dari nilai kelima kriteria tersebut didapat nilai indeks prestasi kumulatif dosen dalam mengampu suatu mata kuliah selama satu semester Seorang dosen dalam satu semester mungkin harus mengampu lebih dari satu mata kuliah Atau satu mata kuliah mungkin harus diampu oleh lebih dari seorang dosen Proses clustering yang dilakukan akan mencoba mengetahui kemungkinan adanya kelompokkelompok yang mungkin belum diketahui dari data performance mengajar dosen terhadap suatu mata kuliah
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
CONTOH KASUS FUZZY C-MEANS
MENGHITUNG DATA PERFORMANCE MENGAJAR DOSEN
Untuk evaluasi proses pengajaran oleh dosen selama satu semester salah satu cara dengan meminta mahasiswa untuk memberikan penilaian terhadap performance dosen dalam mengampu suatu mata kuliah selalu satu semester dalam beberapa kriteria penilaian Kriteria yang digunakan antara lain
1048707 N1 Penguasaan dan kemampuan dalam menjelaskan materi1048707 N2 Kemampuan dalam menjawab pertanyaan1048707 N3 Kemampuan dalam memberi motivas mahasiswa1048707 N4 kemampuan membuat suasana kelas menyenangkan1048707 N5 Kedisiplinan hadir dalam perkuliahan
CONTOH KASUS FUZZY C-MEANS
Dari nilai kelima kriteria tersebut didapat nilai indeks prestasi kumulatif dosen dalam mengampu suatu mata kuliah selama satu semester Seorang dosen dalam satu semester mungkin harus mengampu lebih dari satu mata kuliah Atau satu mata kuliah mungkin harus diampu oleh lebih dari seorang dosen Proses clustering yang dilakukan akan mencoba mengetahui kemungkinan adanya kelompokkelompok yang mungkin belum diketahui dari data performance mengajar dosen terhadap suatu mata kuliah
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
CONTOH KASUS FUZZY C-MEANS
Dari nilai kelima kriteria tersebut didapat nilai indeks prestasi kumulatif dosen dalam mengampu suatu mata kuliah selama satu semester Seorang dosen dalam satu semester mungkin harus mengampu lebih dari satu mata kuliah Atau satu mata kuliah mungkin harus diampu oleh lebih dari seorang dosen Proses clustering yang dilakukan akan mencoba mengetahui kemungkinan adanya kelompokkelompok yang mungkin belum diketahui dari data performance mengajar dosen terhadap suatu mata kuliah
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
KASUS
Tentukan a) Matriks X berukuran n x m dengan n =
jumlah data yang akan di cluster dan m = jumlah variabel (kriteria)
b) Jumlah cluster yang akan dibentuk (C ge 2)
c) Pangkat (pembobot w gt 1 )d) Maksimum iterasie) Kriteria penghentian ( ε = nilai
positif yang sangat kecil)
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
KASUS
Bentuk matriks partisi awal U (derajat keanggotaan dalam cluster) matriks partisi awal biasanya dibuat secara acak
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
KASUS
Hitung pusat cluster V untuk setiap cluster
Perbaiki derajat keanggotaan setiap data pada setiap cluster (perbaiki matriks partisi)
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
KASUS
atau dengan
Tentukan kriteria penghentian iterasi yaitu perubahan matriks partisi pada iterasi sekarang dan iterasi sebelumnya
Apabila Δlt ε maka iterasi dihentikan
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
PERCOBAAN PENYELESAIAN
Clustering dengan metode FCM terhadap data performance mengajar dosen di suatu semester dilakukan untuk mengetahui cluster-cluster yang mungkin ada dan memiliki pola tertentu dengan parameter sebagai berikut
1 Matriks input satu dimensi berupa nilai indeks prestasi mengajar seorang dosen pada mata kuliah tertentu pada program studi tertentu
2 Jumlah cluster yang dicoba dibentuk = C = 43 Pangkat (pembobot) = w = 24 Maksimum Iterasi = 10005 Kriteria penghentian = ε = 10-6Implementasi dilakukan dengan menggunakan software matlab
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
HASIL PENYELESAIAN
Penghitungan pusat cluster dan perbaikan nilai keanggotaan akan dihentikan pada iterasi ke 42 Pada iterasi tersebut nilai Δ = 78161e-007
Nilai Pusat cluster adalah V = [24485 32564 28508 28508]Nilai pusat cluster 3 dan 4 memiliki nilai sama sehingga terbentuk hanya 3 cluster Pada Percobaan lain mungkin didapat hasil yang sedikit berbeda dikarenakan inisialisasi awal matriks partisi yang dilakukan secara acak
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
HASIL PENYELESAIAN
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
Hasil FCM pada Iterasi akhir
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
HASIL PENYELESAIAN
Cluster c1 didapat untuk nilai matriks input (IPK) antara 156 sampai dengan 260 Cluster c2 didapat untuk nilai matriks input (IPK) antara 307 sampai dengan 360 Sedangkan cluster c3 dan c4 untuk nilai matriks input (IPK) 266 sampai dengan 301
Contoh hal yang dapat dilihat misal untuk mata kuliah Pemrograman Basis Data yang diampu oleh 4 orang dosen memiliki kecenderungan berada pada cluster c3c4 dengan derajat keanggotaan yang rendah serta 1 dosen berada pada cluster c1 dengan derajat keanggotaan cukup tinggi
Begitu pula mata kuliah Pemrograman Berorientasi Obyek 2 untuk 4 orang dosen pengampu memiliki kecenderungan berada pada cluster c3c4 serta cluster c1
Atau mungkin dapat diamati mata kuliah atau dosen yang memiliki kecenderungan berada di cluster c2 Untuk percobaan lebih lanjut perlu dicoba clustering dengan lebih dari 1 variabel input Semisal untuk kasus data performance dosen dapat dilakukan clustering dengan kombinasi input kriteria penilaian N1 N2 N3 N4 dan N5
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
KESIMPULAN
Clustering merupakan proses pengelompokan obyek atau data tidak berlabel kedalam suatu kelas atau cluster dengan obyek yang memiliki kesamaan Clustering dengan menggunakan metode Fuzzy C-Means terhadap data performance mengajar dosen dapat memunculkan beberapa cluster data yang dapat dianalisa lebih lanjut persamaan dan perbedaannya
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-
DAFTAR PUSTAKA
Lin Ching-Teng Lee George 1996 Neural Fuzzy Systems A Neuro-Fuzzy Synergism to Intelligent Systems United States of America Prentice Hall International Inc
Kusumadewi Sri Hartati Sri 2006 Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf Yogyakarta Graha Ilmu
httpwwwcsbrisacukhometr1690documentationfuzzy_clustering_initial_reportnode11html
httpeducation-programmerblogspotcom201301perhitungan-sederhana-naive-bayes-untukhtmlhttpyoudhiedoesblogspotcom201309metode-bayes-naive-bayeshtml
- TUGAS 2 DATA MINING
- NAIVE BAYES ALGORITHM DAN FUZZY C-MEANS
- NAIVE BAYES ALGORITHM
- Keuntungan Naive Bayesian
- Kekurangan Naive Bayesian
- Contoh Perhitungan Naive Bayes
- Jawab
- Slide 8
- Slide 9
- Slide 10
- Slide 11
- DEFINISI FUZZY C-MEANS
- KONSEP FUZZY C-MEANS
- RUMUS FUZZY C-MEANS
- RUMUS FUZZY C-MEANS (2)
- RUMUS FUZZY C-MEANS (3)
- RUMUS FUZZY C-MEANS (4)
- CONTOH KASUS FUZZY C-MEANS
- CONTOH KASUS FUZZY C-MEANS (2)
- KASUS
- KASUS (2)
- KASUS (3)
- KASUS (4)
- PERCOBAAN PENYELESAIAN
- HASIL PENYELESAIAN
- HASIL PENYELESAIAN (2)
- Slide 27
- Slide 28
- Slide 29
- Slide 30
- Hasil FCM pada Iterasi akhir
- HASIL PENYELESAIAN (3)
- KESIMPULAN
- DAFTAR PUSTAKA
-