Contoh Program Source Code / Algoritma Fuzzy C- Means FCM Java C++ Algoritma Fuzzy C-Means FCM Java C++ Fuzzy C-Means (FCM) Fuzzy C-Means (FCM) adl salah satu algoritma fuzzy clustering. Fuzzy C-Means (FCM) adl suatu teknik pengclusteran data yg keberadaan setiap titik data dlm suatu cluster ditentukan oleh derajat keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pd tahun 1981. Konsep dasar FCM yaitu menentukan pusat cluster , yg akan menandai lokasi rata-rata unt setiap cluster. dg cara memperbaiki pusat cluster & derajat keanggotaan setiap titik data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yg tepat. Perulangan ini didasarkan pd pada minimisasi fungsi obyektif yg menggambarkan jarak dr titik data yg diberikan ke pusat cluster yg terbobot oleh derajat keanggotaan titik data tsb. Algoritma Fuzzy C-Means (FCM) Java C++ Algoritma Fuzzy C-Means FCM Java C++ Logika fuzzy pertama kali dikembangkan oleh Lot A. Zadeh , seorang ilmuan Amerika Serikat berkebangsaan Iran dr universitas California di Barkeley, melalui tulisannya pd tahun 1965.( Munir, R. 2005). Fuzzy secara bahasa diartikan sbg kabur / samar-samar. Suatu nilai dapat bernilai benar / salah secara bersamaan. dlm fuzzy dikenal derajat keanggotaan yg memiliki rentang nilai 0 (nol) hingga 1(satu). Berbeda dg himpunan tegas yg memiliki nilai 1 / 0 (ya / tidak). Logika fuzzy adl suatu cara yg tepat unt memetakan suatu ruang input kedalam suatu ruang output , mempunyai nilai kontinyu. Fuzzy dinyatakan dlm derajat dr suatu keanggotaan & derajat dr kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar & sebagian salah pd waktu yg sama (Kusumadewi. 2003). Clustering Clustering adl suatu metode pengelompokan berdasarkan ukuran kedekatan (kemiripan).Clustering beda dg group, kalau group berarti kelompok yg sama,kondisinya kalau tdk ya pasti bukan kelompoknya.Tetapi kalau cluster tdk harus sama akan tetapi pengelompokannya berdasarkan pd kedekatan dr suatu karakteristik sample yg ada Macam-macam metode clustering : CARI TUTORIAL + SOURCE CODE GIVE YOUR SUPPORT 6,1 rb orang menyukai ini. Jadilah yang pertama di antara teman Anda. Suka ARTIKEL TERKAIT . LIST TUTORIAL Berbasis Metode Statistikk Algoritma Genetika TSP Dengan Java Tutorial Kriptogra Dengan Java C++ Naive Bayes Classication Visual Basic Kriptogra Rijndael AES Java C++ Python Pengenalan Wajah Dengan Eigenface Metode Secant C/C++ Java PCA Pengenalan Wajah Eigenface (Face Recognition) Naive Bayes Classication Java VB Travelling Salesman problem (TSP) C/C++ Algoritma Fuzzy C-Means FCM Java C++ ACO Adaboost Adaptive Resonance Theory
21
Embed
Algoritma fuzzy c means fcm java c++ contoh program
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Contoh Program Source Code /
Algoritma Fuzzy C-Means FCM Java C++
Algoritma Fuzzy C-Means FCM Java C++
Fuzzy C-Means (FCM)Fuzzy C-Means (FCM) adl salah satu algoritma fuzzy clustering. Fuzzy
C-Means (FCM) adl suatu teknik pengclusteran data yg keberadaan setiaptitik data dlm suatu cluster ditentukan oleh derajat keanggotaan. Teknik inipertama kali diperkenalkan oleh Jim Bezdek pd tahun 1981.
Konsep dasar FCM yaitu menentukan pusat cluster , yg akanmenandai lokasi rata-rata unt setiap cluster. dg cara memperbaiki pusatcluster & derajat keanggotaan setiap titik data secara berulang, maka akandapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yg tepat.Perulangan ini didasarkan pd pada minimisasi fungsi obyektif ygmenggambarkan jarak dr titik data yg diberikan ke pusat cluster ygterbobot oleh derajat keanggotaan titik data tsb.
Algoritma Fuzzy C-Means (FCM) Java C++
Algoritma Fuzzy C-Means FCM Java C++
Logika fuzzy pertama kali dikembangkan oleh Lot섙ௐ A. Zadeh ,seorang ilmuan Amerika Serikat berkebangsaan Iran dr universitasCalifornia di Barkeley, melalui tulisannya pd tahun 1965.( Munir, R. 2005).
Fuzzy secara bahasa diartikan sbg kabur / samar-samar. Suatu nilaidapat bernilai benar / salah secara bersamaan. dlm fuzzy dikenal derajatkeanggotaan yg memiliki rentang nilai 0 (nol) hingga 1(satu). Berbeda dghimpunan tegas yg memiliki nilai 1 / 0 (ya / tidak).
Logika fuzzy adl suatu cara yg tepat unt memetakan suatu ruanginput kedalam suatu ruang output , mempunyai nilai kontinyu. Fuzzydinyatakan dlm derajat dr suatu keanggotaan & derajat dr kebenaran.Oleh sebab itu sesuatu dapat dikatakan sebagian benar & sebagian salahpd waktu yg sama (Kusumadewi. 2003).
ClusteringClustering adl suatu metode pengelompokan berdasarkan ukuran
kedekatan (kemiripan).Clustering beda dg group, kalau group berartikelompok yg sama,kondisinya kalau tdk ya pasti bukankelompoknya.Tetapi kalau cluster tdk harus sama akan tetapipengelompokannya berdasarkan pd kedekatan dr suatu karakteristiksample yg ada
Macam-macam metode clustering :
CARI TUTORIAL + SOURCE CODE
GIVE YOUR SUPPORT
6,1 rb orang menyukai ini. Jadilah yangpertama di antara teman Anda.
Fuzzy C-MeansFuzzy clustering adl proses menentukan derajat keanggotaan , &
kemudian memakainya dg memasukkannya kedalam elemen datakedalam satu kelompok cluster / lebih.
Hal ini akan memberikan informasi kesamaan dr setiap objek. Satu drsekian banyaknya algoritma fuzzy clustering yg dipakai adl algoritma fuzzyclustering c means. Vektor dr fuzzy clustering, V={v1, v2, v3,…, vc} ,adl sebuah fungsi objektif yg di defenisikan dg derajat keanggotaan drdata Xj & pusat cluster Vj .
Algoritma fuzzy clustering c means membagi data yg tersedia dr setiapelemen data berhingga lalu memasukkannya kedalam bagian dr koleksicluster yg dipengaruhi oleh beberapa kriteria yg diberikan. Berikan satukumpulan data berhingga. X= {x1,…, xn } & pusat data.
Dimana μ ij adl derajat keanggotaan dr Xj & pusat cluster adlsebuah bagian dr keanggotaan matriks [μ ij] . d2 adalahakar drEuclidean distance & m adl parameter fuzzy yg rata-rata derajat kekaburandr setiap data derajat keanggotaan tdk lebih besar dr 1,0 Ravichandran(2009).
Output dr Fuzzy C-Means adl deretan pusat cluster & beberapa derajatkeanggotaan unt tiap-tiap titik data. Informasi ini dapat dipakai untmembangun suatu fuzzy inference system .
Output dr FCM bukan adl fuzzy inference system, namun adl deretanpusat cluster & beberapa derajat keanggotaan unt tiap-tiap titik data.Informasi ini dapat dipakai unt membangun suatu fuzzy inference system.
Matriks X yg adl data yg akan dicluster, berukuran k x j, dg k =jumlah data yg akan di-cluster & j = jumlah variabel/atribut (kriteria).
2. Menentukan :
a. Jumlah cluster yg akan dibentuk (n >c ≥ 2). b. pembobot (w > 1) . c. Maksimum iterasi (max n) .
Hirarchical clustering method : pd kasus untjumlah kelompok blm ditentukan terlebih dulu,contoh data-data hasil survey kuisioner. Macam-metode jenis ini: Single Lingkage,CompleteLinkage,Average Linkage dll.
Non Hirarchical clustering method : Jumlahkelompok telah ditentukan terlebih dulu.Metode ygdipakai : K-Means.
Berbasis Fuzzy : Fuzzy CMeans
Berbasis Neural Network : Kohonen SOM, LVQ
Metode lain unt optimasi centroid / lebar cluster : Genetik Algoritma (GA)
d. Kriteria penghentian/treshold ( ɛ = nilai positif yg sangat kecil). e. Menentukan fungsi obyektif awal ( P0 ).
3. Membentuk matriks partisi awal U (derajat keanggotaan dlmcluster) dg ukuran k x i; matriks partisi biasanya dibuat acak, , dg k =jumlah data yg akan di-cluster & i = jumlah cluster
4. Hitung pusat cluster ( V ) unt setiap cluster, memakai rumus :
Keterangan :
Vij = pusat cluster pd cluster ke-i & atribut ke-j. μik = data partisi (pada matriks U) pd cluster ke-i & data
ke-k. Xk j = data (pada matriks U) pd atribut ke-j & data ke-k. w = pembobot.
5. Hitung nilai obyektif ( Pn ) dg rumus :
Keterangan :
μik = data partisi (pada matriks U) pd cluster ke-i & datake-k.
dik = fungsi ukuran jarak unt jarak Euclidean pd pusatcluster ke-i & data ke-k.
w = pembobot. Pn = nilai obyektif pd iterasi ke-n.
6. Perbaiki derajat keanggotaan setiap data pd setiap cluster (perbaikimatriks partisi)
dengan :
Keterangan :
μik = data partisi (pada matriks U) pd pusat cluster ke-i& data ke-k.
dik = fungsi ukuran jarak unt jarak Euclidean pd pusatcluster ke-i & data ke-k.
djk = fungsi ukuran jarak unt jarak Euclidean pd pusatcluster ke-j & data ke-k.
w = pembobot. Xkj = data (pada matriks U) pd atribut ke-j & data ke-k.
7. Menghentikan iterasi jika pusat cluster V tdk berubah. Alternatifkriteria penghentian adalah jika perubahan nilai error kurang dr treshold
|Pn - Pn-1| < ɛ . Alternatif adl ketika perulangan melebihi maksimumiterasi ( n > max n) . Jika iterasi blm berhenti, kembali ke langkah 4.
8. Jika iterasi berhenti, ditentukan cluster dr tiap-tiap data . Cluster dipilihberdasarkan nilai matriks partisi terbesar.
CONTOH PROGRAM
JAVA : Contoh Program Algoritma Fuzzy C-Means(FCM) Berikut ini adalah contoh penerapan program implementasi algoritmafuzzy c-means dengan menggunakan bahasa pemrograman Java.
350. // Create temporary arrays for the indexes and the data.
351. int[] indexes = new int[data.length];
352. float[] tempData = new float[data.length];
353. // Fill those arrays.
354. for(int i=0;i<indexes.length;i++)
355. {
356. indexes[i] = i;
357. tempData[i] = data[i];
358. }
359. // Sort both arrays together, using data as the sorting key.
360. for(int i=0;i<indexes.length‐1;i++)
361. for(int j=i;j<indexes.length;j++)
362. {
363. if (tempData[i] < tempData[j])
364. {
365. int tempI= indexes[i];
366. indexes[i] = indexes[j];
367. indexes[j] = tempI;
368. float tempD = tempData[i];
369. tempData[i] = tempData[j];
370. tempData[j] = tempD;
371. }
372. }
373. // Return the cluster index for the rank we want.
374. return tempData[rank];
375. }
376.
377. /**
378. * This method returns the Partition Coefficient measure of cluster validity
379. */
380. public double getPartitionCoefficient()
381. {
382. double pc = 0;
383. // For all data values and clusters
384. for(int h=0;h<height;h++)
385. for(int w=0;w<width;w++)
386. for(int c=0;c<numClusters;c++)
387. pc += membership[w][h][c]*membership[w][h][c];
388. pc = pc/(height*width);
389. return pc;
390. }
391.
392. /**
393. * This method returns the Partition Entropy measure of cluster validity
394. */
395. public double getPartitionEntropy()
396. {
397. double pe = 0;
398. // For all data values and clusters
399. for(int h=0;h<height;h++)
400. for(int w=0;w<width;w++)
401. for(int c=0;c<numClusters;c++)
402. pe += membership[w][h][c]*Math.log(membership[w][h][c]);
403. pe = ‐pe/(height*width);
404. return pe;
405. }
406.
407. /**
408. * This method returns the Compactness and Separation measure of cluster validity
C++ : Contoh Program Algoritma Fuzzy C-Means(FCM) Berikut ini adalah contoh penerapan program implementasi algoritmafuzzy c-means dengan menggunakan bahasa pemrograman C++.
FCM.C
409. */
410. public double getCompactnessAndSeparation()
411. {
412. double cs = 0;
413. // For all data values and clusters
414. for(int h=0;h<height;h++)
415. for(int w=0;w<width;w++)
416. {
417. // Get the current pixel data.
418. int index = (h*width+w)*numBands;
419. for(int b=0;b<numBands;b++)
420. aPixel[b] = inputData[index+b];
421. for(int c=0;c<numClusters;c++)
422. {
423. // Calculate the distance between a pixel and a cluster center.
Konsultasi GratisJika ada yang ingin di tanyakan, Kamu bisa melakukan konsultasigratis kepada team metode-algoritma.com melalui form di bawah.Mohon isi email dengan benar, karena hasil konsultasi akan dikirimkan ke email kamu.
Tentang Kami Fakta serta Figur Mengapa memilih kami Model Pengerjaan Aplikasi Model Konsultasi Prosedur serta Proses kerjasama Pertanyaan serta Jawaban Persetujuan
Testimonials Contact Sitemap Blog Tutorial + Source Code
Service
Jasa murah programmer : pembuatan program untuk umum dan mahasiswa ( Tesis, Skripsi, Tugas Akhir )
JAKARTA BANDUNG SURABAYA YOGYAKARTA MALANG PALEMBANG SEMARANG MEDAN BOGOR BALI DENPASAR LAMPUNG SOLOSURABAYA BANDUNG
Portfolio
Implementasi Algoritma Steganogra섙ௐ Kriptogra섙ௐ Watermaking Keamanan Data Pengenalan Objek Wajah Suara Wavelet Quantization Implentasi Model Forecasting Implementasi Data Minging Kecerdasan Buatan (AI) Decision Support Systems Sistem Ahli (ES) Implementasi Shortest Path Mikrotik serta Robotika Networking Keamanan Jaringan Histogram Pemetaan Mobile Expert System Dan lainnya
Technology
C# .NetPHPAS3 Java Delphi Matlab Objective C Visual Basic iOS Android Blackberry Symbian OS Windows Phone