Optimasi Fuzzy C-Means Clustering Untuk Data Besar dengan Pemrograman R
DOI:
https://doi.org/10.35706/syji.v5i2.706Abstract
Penangkapan Abalone secara terus menerus untuk tujuan konsumsi
dapat menyebabkan kepunahan dari spesies ini tanpa diiringi dengan
pembudidayaan kembali. Maka dari itu dinilai penting untuk mengelompokan
Abalone ke dalam kategori muda/benih, dewasa, dan indukan untuk tujuan
konservasi. Analisis cluster diperlukan agar dapat mengelompokan data dengan
baik. Analisis cluster merupakan sebuah alat yang bertujuan untuk memisahkan
dataset kedalam subset menurut persamaan dan dissimilarities data. Penelitian
ini menggunakan Relief untuk melakukan reduksi terhadap variabel dengan
fungsi attrEval dan FCM yang bertujuan untuk mengelompokan data kedalam
beberapa cluster dengan fungsi cmeans. Hasil dari penelitian ini menunjukkan
cluster yang terbentuk dengan menggunakan algoritma Relief dan FCM
menunjukkan hasil cluster yang lebih optimal dibandingkan hanya menggunakan
algoritma K-Means. Cluster pada data Abalone dapat memberikan pengetahuan
kepada nelayan pencari Abalone untuk memperhatikan keberlangsungan siklus
kehidupan untuk spesies ini dengan tidak menangkap Abalone secara
sembarangan.
Downloads
References
Azar, A.T., El-Said, S.A. & Hassanien, A.E., Fuzzy and hard clustering
analysis for thyroid disease, Computer methods and programs in
biomedicine, 111, pp. 1-16, 2013.
Bai, L., Liang, J. & Dang, C., An Initialization Method to Simultaneously
Find Initial Cluster Centers and the Number of Clusters for Clustering
Categorical Data, Knowledge-Based System, 24, pp. 785 - 795, 2011.
Dong, H., Dong, Y., Zhou, C., Yin, G. & Hou, W., A fuzzy clustering
algorithm based on evolutionary programming, Expert Systems with
Applications, 36, pp. 11792-11800, 2009.
Hamasuna, Y., Endo, Y. & Miyamoto, S., On Tolerant Fuzzy C-Means
Clustering and Tolerant Possibilistic Clustering, Soft Computing, 14, pp.
- 494, 2009.
Han, J., Kamber, M. & Pei, J., Data mining: concepts and techniques,
Elsevier, 2011.
James, C.B., Robert, E. & William, F., FCM : The Fuzzy C-Means
Clustering Algorithm, Computer & Geosciences, 10, pp. 191 - 203, 1984.
Ji, Z., Sun, Q. & Xia, D., Computerized Medical Imaging and Graphics a
Modified Possibilistic Fuzzy C-Means Clustering Algorithm for Bias
Field Estimation and Segmentation of Brain MR Image, Computerized
Medical Imaging and Graphics, 35, pp. 383 - 397, 2011.
Oliveira, J.V.D. & Pedrycz, W., Advances in Fuzzy Clustering and its
Applications, John Wiley & Sons, Ltd, 2007.
Wu, K.-L., Analysis of parameter selections for fuzzy c-means, Pattern
Recognition, 45, pp. 407-415, 2012.
Zhang, Y., Huang, D., Ji, M. & Xie, F., Image segmentation using PSO
and PCM with Mahalanobis distance, Expert Systems with Applications,
, pp. 9036-9040, 2011.
Zhao, F., Jiao, L. & Liu, H., Kernel generalized fuzzy c-means clustering
with spatial information for image segmentation, Digital Signal
Processing, 23, pp. 184-199, 2013.
Organized by: Program Studi Informatika, Universitas Singaperbangsa Karawang
