ABSTRAKSI: Clustering merupakan salah satu fungsionalitas data mining yang dimanfaatkan untuk mengelompokkan data ke dalam suatu kelas atau cluster, sehingga objek pada suatu cluster memiliki kemiripan yang sangat besar dengan objek lain pada cluster yang sama, tetapi sangat tidak mirip dengan objek pada cluster lain. Terdapat beberapa teknik clutering antara lain: Hard C-Means Clustering (biasa disebut K-means), Fuzzy C-means Clustering, Mountain Clustering, dan Subtractive Clustering.
Fuzzy C-means Clustering dan K-Means, merupakan algoritma yang mencoba mengcluster data sesuai dengan jumlah cluster yang diinputkan oleh user. Sedangkan Mountain Clustering dan Subtractive Clustering, algoritma ini dimulai dengan menemukan cluster besar pertama, cluster kedua dan seterusnya. Namun masalah muncul pada mountain clustering, dimana proses komputasi bertambah secara eksponensial sesuai dengan dimensi masalah sehingga fungsi mountain harus dievaluasi. Subtractive Clustering menyelesaikan masalah ini dengan menggunakan data point sebagai calon pusat cluster.
Pada tugas akhir ini penulis mengimplementasikan metode fuzzy subtractive clustering (FSC) sebagai salah satu algoritma klasterisasi untuk mencari cluster dan untuk menemukan jari-jari yang tepat untuk jumlah cluster yang memiliki akurasi tertinggi. Algoritma FSC mempunyai kemampuan yang baik dalam menemukan cluster karena mempertimbangkan seluruh dimensi yang dimiliki suatu data. Klasterisasi menggunakan metode FSC tidak selalu menemukan jumlah cluster. Metode FSC tidak dapat menemukan jumlah cluster untuk beberapa data ekstrim. Parameter inputan jari-jari, squash factor, dan reject ratio berbanding terbalik terhadap Jumlah cluster akhir. Sedangkan parameter accept ratio tidak memberikan pengaruh apapun terhadap jumlah cluster.Kata Kunci : fuzzy methods, fuzzy clustering, subtractive clustering, fuzzy subtractive clustering.ABSTRACT: Clustering is the process of grouping the data into classes or cluster so that objects within a cluster have high similarity in comparison to one another, but are very dissimilar to objects in other clusters. There are many technique in fuzzy methods like: Hard C-Means Clustering (also called K-means), Fuzzy C-means Clustering, Mountain Clustering, and Subtractive Clustering.
Some of the clustering techniques rely on knowing the number of clusters apriori. In thatcase the algorithm tries to partition the data into the given number of clusters. K-means and Fuzzy C-means clustering are of that type. In other cases it is not necessary to have the number of clusters known from the beginning; instead the algorithm starts by finding the first large cluster, and then goes to find the second, and so on. The problem with the previous clustering method, mountain clustering, is that its computation grows exponentially with the dimension of the problem; that is because the mountain function has to be evaluated at each grid point. Subtractive clustering solves this problem by using data points as the candidates for cluster centers, instead of grid points as in mountain clustering.
This final project implement fuzzy subtractive clustering methods, is an extension of the mountain clustering method, and analyze their performance. FSC algorithm has good capability for finding cluster because it consider all dimension of dataset. Clustering using FSC can not always find cluster for extreme data. For Influence range, squash factor, and reject ratio is return equal with grow of total cluster. And for accept ratio do not affect of total cluster.Keyword: fuzzy methods, fuzzy clustering, subtractive clustering, fuzzy subtractive clustering.