Clustering merupakan masalah yang lumayan rumit. Misalkan kita punya serangkaian data yang terdiri dari dua kategori yaitu nilai IPA dan nilai IPS. Jika kita lakukan klasifikasi langsung dengan FCM kita tidak serta merta mendapatkan hasil klasifikasi nilai yang rata-rata besar di IPA dan yang rata-rata besar di IPS. Mengapa demikian? Karena ada kemungkinan data tersebut terklasifikasi menjadi nilai yang rata-rata IPA dan IPS kecil dan nilai rata-rata IPA dan IPS besar. Berikut ini grafik hasil olah data yang dilakukan oleh contoh help matlab (ketik help fcm). Coba lihat … data tercluster menjadi siswa yang pinter IPA dan IPS dengan yang bodoh IPA dan IPS, padahal yang kita cari siswa yang cenderung IPA (nilai IPA > IPS) dengan yang cenderung IPS (nilai IPS>IPA).
Oleh karena itu agar kita memperoleh klasifikasi antara kelompok IPA dan kelompok IPS kita harus menambahkan satu kategori di kolom berikutnya. Katakanlah jika kelompok IPA (besar nilai IPA-nya) kita kategorikan “1” dan sebaliknya IPS dengan “0”. Pindahkan ke Excel lalu beri satu kolom baru dengan instruksi IF: “=IF(A1<B1;0;1)”. Sehingga diperoleh data baru yang akan diklasifikasi oleh fcm.
… dst
Rename data lama dengan data baru yang tiga kolom ini, lakukan instruksi fcm seperti pada help fcm:
[center,U,obj_fcn] = fcm(data,2);
plot(data(:,1), data(:,2),’o’);
hold on;
maxU = max(U);
% Find the data points with highest grade of membership in cluster 1
index1 = find(U(1,:) == maxU);
% Find the data points with highest grade of membership in cluster 2
index2 = find(U(2,:) == maxU);
line(data(index1,1),data(index1,2),’marker’,’*’,’color’,’g’);
line(data(index2,1),data(index2,2),’marker’,’*’,’color’,’r’);
% Plot the cluster centers
plot([center([1 2],1)],[center([1 2],2)],’*’,’color’,’k’)
hold off;
center:
0.6525 0.2942 0.9853 à Pusat cluster IPA
0.3025 0.5733 0.0113 à Pusat cluster IPS
Hasilnya dapat dilihat pada grafik di bawah ini:
Hasilnya akurat bangettttt …