PENERAPAN METODE MODIFIED FUZZY C-MEANS UNTUK PENGELOMPOKAN PRODUK INDUSTRI

MUTTABIK FATHUL L, Dr. Indah Soesanti, S.T., M.T.; Adhistya Erna Permanasari, S.T., M.T., Ph.D.

2019 | Tesis | MAGISTER TEKNOLOGI INFORMASI

Algoritme Fuzzy C-Means (FCM) merupakan salah satu metode clustering yang populer digunakan. Pada algoritme ini, data dapat menjadi anggota lebih dari satu kelompok (cluster), yang keberadaannya ditentukan oleh derajat keanggotaan. Algoritme FCM memiliki performa yang cukup baik, terutama untuk menangani data yang banyak dan overlap. Namun algoritme FCM memiliki kelemahan, yaitu sensitif terhadap inisialisasi parameter-parameter clustering yang digunakan, seperti penentuan derajat keanggotaan, pusat cluster awal, dan cacah cluster yang digunakan. Penelitian ini mencoba mengatasi isu-isu tersebut dengan memodifikasi penentuan derajat keanggotaan awal dan memperbaiki pusat cluster pada iterasi pertama. Derajat keanggotaan awal ditentukan berdasarkan kedekatan setiap data dengan beberapa titik data yang ditunjuk sebagai pusat cluster awal. Karena derajat keanggotaan tersebut belum tepat, maka pada iterasi pertama pusat cluster perlu diperbaiki. Algoritme FCM yang telah dimodifikasi diberi nama Modified Fuzzy C-Means (MFCM). Penelitian ini juga melakukan validasi cluster untuk mencari cacah cluster optimal agar hasil clustering lebih baik lagi. Metode validasi cluster yang digunakan dalam tesis ini adalah indeks Xie-Beni (XB), Partition Coefficinet (PC), dan Partition Entropy (PE). Penelitian ini menggunakan data penjualan 49 produk kerajinan selama 25 bulan. Cacah cluster yang diuji adalah 2, 3, 4, 5, dan 6. Hasil penelitian ini adalah metode MFCM memiliki kinerja yang lebih baik daripada FCM. MFCM memerlukan iterasi yang lebih sedikit daripada FCM. Selain itu, MFCM memiliki nilai XB dan PE yang lebih kecil dan nilai PC yang lebih besar daripada FCM. Pada data yang digunakan, berdasarkan nilai XB, PC, dan PE, cacah cluster 2 merupakan cacah cluster yang optimal.

Fuzzy C-Means (FCM) algorithm is one of the popular clustering methods. In this algorithm, data can be members of more than one cluster, whose existence is determined by the degree of membership. The FCM algorithm has a good performance, especially for handling large amounts of data and overlapping data set. However, the FCM algorithm has a weakness, which is sensitive to the initialization of clustering parameters, such as initialization of the membership degree, the initial cluster center, and number of clusters. This study attempt to overcome these issues by modifying the initialization of the initial membership degree and fixing the cluster center in the first iteration. The initial membership degree is determined based on the placement of each data with several data points designated as an initial cluster center. Because the degree of the membership is incorrect, then in the first iteration, the cluster center needs to be repaired. The modified FCM algorithm is named as Modified Fuzzy C-Means (MFCM). This study also conducted cluster validation to look for optimal number of clusters so that clustering results are even better. Cluster validation methods used in this thesis are Xie-Beni (XB), Partition Coefficinet (PC), and Partition Entropy (PE). This study uses sales data of 49 products for 25 months. The number of clusters tested are 2, 3, 4, 5, and 6. The results of this study are that the MFCM method has a better performance than FCM. MFCM requires fewer iterations than FCM. In addition, MFCM has a smaller XB and PE value and a PC value bigger than FCM. In the data used, based on the values of XB, PC, and PE, cluster 2 is the optimal number of clusters.

Kata Kunci : clustering, fuzzy c-means, validasi cluster, indeks xie-beni, produk industri