ABSTRAKSI: This final task addressed in implementation a method to extract fuzzy information granules from multidimensional data, so a well-defined and clearly information will be derived. This method is Crisp-Double Clustering. Implementation of Crisp-Double Clustering method focussed on Fuzzy Granulation process i.e a process of gaining clusters that afterward quantified as fuzzy sets. This fuzzy sets used to help user in understanding multidimensional data. Crisp-Double Clustering method is one of the approach which is improvement of Double Clustering method.
Crisp-Double Clustering method involves two stages i.e Data Quantization and Prototype Clustering. Data Quantization uses vector quantization LBG (Linde-Buzo-Gray) algorithm to derive n-dimensional prototypes from multidimensional data. In prototype clustering stage, these n-dimensional prototypes will be projected along each dimension and then clustered using hierarchical clustering. The result is one-dimensional prototype that used to derive fuzzy information granules.Kata Kunci : Crisp-Double Clustering, Fuzzy Granulation, Vector Quantization, Clustering, Fuzzy Information Granules, Dimentions, Fuzzy Set, Prototype.ABSTRACT: Tugas akhir ini difokuskan pada implementasi suatu metode untuk mengekstrak fuzzy information granules dari data multidimensi, sehingga menghasilkan informasi-informasi yang dapat dimengerti secara baik dan benar. Metode ini adalah Crisp-Double Clustering. Implementasi metode Crisp-Double Clustering difokuskan pada proses Fuzzy Granulation yaitu suatu proses untuk memperoleh klaster-klaster yang nantinya akan di-interpretasikan kedalam bentuk fuzzy set. Fuzzy set ini berguna dalam proses pemahaman data multidimensi. Metode Crisp-Double Clustering merupakan merupakan perbaikan dari metode Double Clustering.
Metode Crisp-Double Clustering meliputi dua tahap clustering yaitu Data Quantization dan Prototype Clustering. Data Quantiztion menggunakan algoritma vector quantization LBG (Linde-Buzo-Gray) yang digunakan untuk mendapatkan prototype-prototype n-dimentions dari data mutidimensi. Pada tahap Prototype Clustering, prototype-prototype n-dimensi diproyeksikan setiap dimensinya pada suatu nilai input yang selanjutnya di-cluster-kan dengan menggunakan algorithma hierarchical clustering .Hasil dari proses tersebut adalah prototype one-dimenstion yang digunakan untuk menghasilkan fuzzy information granules.Keyword: Crisp-Double Clustering, Fuzzy Granulation, Vector Quantization, Clustering, Fuzzy Information Granules, Dimentions, Fuzzy Set, Prototype.