Prototype-Based Fuzzy Clustering melalui Algoritma FCM pada Pengklasteran Kabupaten-Kabupaten di Jawa Timur berdasarkan Karakteristik Perempuan

Hadi Tanuji

Abstract


Keberadaan outlier menjadi masalah serius pada analisis klaster. Metode klaster tradisional yang sederhana seperti metode hirarkhi pada akhirnya menjadi tidak baik karena hasilnya akan berbeda-beda dan tidak memiliki ketahanan (robust) pada struktur klaster. Upaya paling mudah mengatasinya adalah dengan membuang data outlier tersebut, tetapi ini bukan jalan terbaik. Upaya yang dapat dilakukan adalah mencari metode alternative untuk mengatasi adanya outlier tanpa harus membuangnya. Salah satu yang dapat digunakan adalah Prototype-Based Fuzzy Clustering melalui Algoritma Fuzzy C-Mean. Makalah ini membahas penggunaan Prototype-Based Fuzzy Clustering melalui Algoritma Fuzzy C-Mean untuk mengatasi kasus outlier. Hasilnya dibandingkan dengan metode agglomerative. Pengklasteran didasarkan pada data karakteristik perempuan hasil Survey Ekonomi Nasional tahun 2006. Berdasarkan hasil yang diperoleh dengan Prototype-Based Fuzzy Clustering, struktur klaster menjadi lebih robust terhadap data outlier.

Full Text:

PDF

References


Beni, G and X. Liu, 1994. “A least biased fuzzy cluster-ing method,†IEEE Trans. Pattern Anal. Machine Intell., vol. 16, pp. 954–960, Sept. 1994.

Bezdek, J. C., Pattern Recognition with Fuzzy Objective Function Algorithms. New York: Plenum, 1981.

Chiu, S.and J. J. Cheng, “Automatic rule generation of fuzzy rule base for robot arm posture selection,†in Proc. NAFIPS Conf., San Antonio, TX, Dec. 1994, pp. 436–440.

Dillon, W.R. and Goldstein, M., 1984, Multivariate Analysis and Application. John Wiley and Son, New york

Glotsos, D., Jussi Tohka, Jori Soukka & Ulla Ru-otsalainen. 2004. A New Approach to Robust Cluster-ing by Density Estimation in an Autocorrelation De-rived Feature Space. Proceedings of the 6th Nordic Signal Processing Symposium - NORSIG 2004, June 9 - 11, Espoo, Finland.

Härdle & Simar. 2007. Applied Multivariate Statistical Analysis, Second Edition. Springer, New York.

Johnson, R. & Wichern. 2007. Applied Multivariate Statistical Analysis, Sixth Edition. NJ.

Rencher, Alvin C.,2002. Methods of Multivariate Analysis, Second Edition. John Wiley & Sons, Inc., New York.

Krishnapuram, R. and J. M. Keller, “A possibilistic ap-proach to clustering,†IEEE Trans. Fuzzy Syst., vol. 1, pp. 98–110, May 1993.

Ohashi,Y., 1984. “Fuzzy clustering and robust estima-tion,†in 9th Meet. SAS Users Grp. Int., Hollywood Beach, FL, 1984.

Siswadi & Budi Suharjo. 1997. Analisis Eksplorasi Peubah Ganda. Jurusan Matematika FMIPA IPB, Bogor.

Supranto, J. 2010. Analisis Multivariate, arti dan interpretasi. Rineka Cipta, Jakarta.

Timm, Neil H., 2002. Applied Multivariate Analysis. Springer, New York.

Yager, R. R., and D. P. Filev, 1994. “Approximate clus-tering via the mountain method,†IEEE Trans. Syst. Man, Cybern., vol. 24, pp. 1279–1284, Aug. 1994




DOI: https://doi.org/10.56064/jps.v18i3.14

Refbacks

  • There are currently no refbacks.


   

  

 

 

Creative Commons License

Jurnal Penelitian Sains (JPS) Published by UP2M, Faculty of Mathematic and Natural Science Sriwijaya University is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

 

View My Stats