• Tidak ada hasil yang ditemukan

ANALISIS KELOMPOK DENGAN ALGORITMA FUZZY C MEANS DAN GATH GEVA CLUSTERING

N/A
N/A
Protected

Academic year: 2017

Membagikan "ANALISIS KELOMPOK DENGAN ALGORITMA FUZZY C MEANS DAN GATH GEVA CLUSTERING"

Copied!
1
0
0

Teks penuh

(1)

iii Rencana proposal

ANALISIS KELOMPOK DENGAN ALGORITMA FUZZY

C-MEANS DAN GATH-GEVA CLUSTERING

Studi Kasus Pengelompokkan Desa/Kelurahan di Kabupaten

Kutai Kartanegara

Nama mahasiswa : Rudy Ramadani Syoer

NRP

: 1310201704

Pembimbing

: Dr. Muhammad Mashuri, MT

ABSTRAK

Analisis pengelompokkan (cluster analysis) merupakan salah satu analisis data multivariat yang banyak diminati berbagai kalangan dan berkembang dengan sangat pesat. Metode pengelompokkan yang sedang berkembang saat ini adalah fuzzy clustering analysis, yang mampu melakukan pengelompokkan dengan menggunakan derajat keanggotaan tertentu. Algoritma fuzzy clustering yang umum digunakan adalah Fuzzy C-means (FCM) dan algoritma yang dikembangkan lebih lanjut oleh Gath dan Geva (GG), yang mampu mendeteksi kelompok dengan bentuk yang berbeda dibanding FCM. Penelitian ini mengkaji perbandingan penerapan metode FCM dan GG clustering dalam suatu studi kasus, yaitu pengelompokkan desa/kelurahan di Kabupaten Kutai Kartanegara berdasarkan karakteristik sarana/prasarana dan faktor sosial ekonomi penduduknya. Penentuan banyaknya kelompok dilakukan melalui perhitungan indeks validitas. Penelitian ini juga akan membuat algoritma FCM dan GG dengan perangkat lunak MATLAB, berupa program aplikasi berbasis GUI yang dapat mempermudah pengguna untuk melakukan analisis pengelompokkan. Hasil penelitian menunjukkan bahwa dalam beberapa hal, FCM masih lebih unggul dibanding GG, utamanya dalam menghasilkan fungsi objektif, waktu komputasi dan rasio simpangan baku kelompok yang minimum. Berdasarkan beberapa indeks validitas kelompok, disimpulkan jumlah kelompok yang paling optimal adalah sebanyak 5 (lima)kelompok.

Kata kunci : Pengelompokkan wilayah, Fuzzy C-means clustering

Referensi

Dokumen terkait

tujuan dari penelitian ini adalah menerapkan metode clustering dengan Algoritma Fuzzy C-Means dalam kasus pengelompokkan mahasiswa berdasarkan transkip nilai mata

1. Pada penelitian ini peneliti akan menggunakan metode Clustering dengan algoritma Fuzzy C-Means untuk mengelompokan daerah-daerah penghasil tanaman kedelai di

tujuan dari penelitian ini adalah menerapkan metode clustering dengan Algoritma Fuzzy C-Means dalam kasus pengelompokkan mahasiswa berdasarkan transkip nilai mata

2) Performansi Fuzzy C-Means Clustering pada dataset Iris lebih baik bila dibandingkan dengan K-Means Clustering yaitu 92.66667% berbanding 88.66667%. Rata-rata kesalahan

Pada pembuatan sistem pemetaan daerah berpotensi transmigran di kecamatan kartasura dengan metode Fuzzy C-Means (FCM) Clustering yang telah dibahas dapat

Berdasarkan kompleksitas waktu, algoritma K-Means lebih cepat dibandingkan dengan algoritma Fuzzy C-Means untuk jumlah data, cluster , nilai pembobot, dan iterasi

Algoritma fuzzy clustering c means membagi data yg tersedia dr setiap elemen data berhingga lalu memasukkannya kedalam bagian dr koleksi cluster yg dipengaruhi

1) Aplikasi sistem deteksi panen padi berdasar warna daun menggunakan metode Fuzzy C- Means Clustering (FCM) telah berhasil dibangun. FCM mampu melakukan segmentasi