penerapan algoritma evolutionary programming pada fuzzy

Tugas Akhir - 2011
PENERAPAN ALGORITMA EVOLUTIONARY PROGRAMMING PADA FUZZY
CLUSTERING DALAM KLASTERISASI DATA
Fajrul Mubarrak¹, Suyanto², Kusuma Ayu Laksitowening³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Klasterisasi merupakan suatu teknik dalam data mining yang cukup penting dan banyak dipakai.
Tujuan utama dari metode klaster adalah pengelompokan sejumlah data/objek ke dalam klaster
(group) sehingga dalam setiap klaster akan berisi data yang semirip mungkin tetapi sangat tidak
mirip dengan objek/data dari klaster yang lain. Salah satu metode atau teknik klastering yang
sering digunakan adalah fuzzy C-means. Masalah yang sering timbul dalam melakukan
klasterisasi dengan FCM adalah hasil klaster akhir tidak mencapai nilai optimum global, oleh
karena itu dibutuhkan suatu fungsi optimasi untuk mengatasi masalah tersebut.
Evolutionary Programming (EP) merupakan salah satu jenis EAs yang sering digunakan untuk
meneyelesaikan permasalahan optimasi. Pada tugas akhir ini dilakukan suatu pengujian proses
klasterisasi data dengan menggunakan FCM yang menerapakan algoritma EP dalam pencarian
titik pusat klaster. Data set yang digunakan dalam pengujian sistem ini adalah dataset iris dan
AnimalsNorm.
Berdasarkan pengujian yang telah dilakukan dapat diketahui bahwa proses klasterisasi dengan
menerapkan EP dalam FCM memberikan hasil klaster yang lebih bagus daripada hanya
menggunakan FCM secara konvensional dengan melihat nilai validitas klasternya. Tapi,
kelemahan dari metode ini terletak pada waktu komputasi yang lebih lama dikarenakan proses EP
yang lebih kompleks.
Kata Kunci : klastering, fuzzy C-means (FCM), evolutionary programming (EP) ,
Abstract
Clustering is a technique in data mining that enough important and a lot of used. The main
objective in cluster method is the assignment of a set of data into subsets (called clusters) so that
data in the same cluster are similar in some sense and different in other cluster. One of cluster
method that often used is fuzzy Cmeans. The problem on clustering using FCM is cluster result
sometime doesn’t reach the global optimum. Therefore is needed an optimization function to
handle this problem.
Evolution Programming (EP) as a type of EAs is often used to solve optimization problems. In this
final project is created to process clustering data testing with FCM that implements EP on cluster
center searching. Dataset that used on this system test are iris and animalsNorm dataset.
Based on the observation, by EP applying in FCM process can give better result than using FCM
conventional in cluster validity index. However, the weakness from this method lie at the time
computing because of process EP that more complex.
Keywords : clustering, Fuzzy C-Means (FCM), Evolutionary Programming (EP),
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2011
BAB I
PENDAHULUAN
1.1 Latar Belakang
Klasterisasi merupakan suatu teknik dalam data mining yang cukup penting
dan banyak dipakai. Tujuan utama dari metode cluster adalah pengelompokan
sejumlah data/objek ke dalam cluster (group) sehingga dalam setiap cluster akan
berisi data yang semirip mungkin tetapi sangat tidak mirip dengan objek/data dari
cluster yang lain[3].
Salah satu teknik klastering yang cukup terkenal adalah Fuzzy C-Means
(FCM). FCM adalah teknik pengklasteran fuzzy dimana keberadaan tiap titik
ditentukan oleh derajat keanggotaan. Dengan menggunakan pendekatan fuzzy
setiap objek dapat menjadi anggota dari semua kluster dengan derajat keanggotan
antara 0 sampai 1. Untuk menghasilkan formulasi yang presisi dalam menentukan
kriteria klastering dapat ditempuh dengan metode fungsi objektif, yaitu dengan
mengukur kemampuan untuk dilibatkan dalam cluster sebagai fungsi dari cacah
cluster dengan fungsi objektif tertentu. Pemilihan fungsi objektif ini tergantung
pada sebaran data objek. Struktur cluster yang baik adalah dengan meminiminalkan
fungsi objektif tersebut. Sering kali dalam meminimasi fungsi objektif tersebut
dapat menghantarkan pada penyelesaian yang merupakan optimum lokal
dikarenakan dalam mengaplikasikan metode ini harus diketahui scara pasti terlebih
dahulu jumlah cluster yang akan dibuat dari sebaran data yang diberikan serta
inisialisasi awal pusat cluster. Sehingga performansi dari FCM sangat tergantung
pada pemilihan nilai pusat cluster awal[1].
Evolutionary Programming (EP) merupakan salah satu teknik atau metode
untuk mengatasi masalah optimasi. Walaupun pada awal diperkenalkannya metode
ini ditujukan untuk menghasilkan suatu bentuk kecerdasan (intellegence) yang
dipandang sebagai suatu tingkah laku yang adaptif (adaptif behaviour). Akan tetapi
dalam perkembangannya EP justru mengalami pergeseran menuju bentuk yang
mirip ES (Evolutionary Strategies), digunakan untuk mengatasi masalah-masalah
optimasi numerik.
Dengan pertimbangan tersebut, tugas akhir ini difokuskan pada
penggabungan FCM dengan EP. Hal ini dimaksudkan untuk menghilangkan
masalah optimum lokal pada FCM karena EP berfungsi untuk membangkitkan
pilihan solusi yang lebih bervariasi sehingga dapat meminimalisir terjadi kejenuhan
fungsi objektif dan diharapkan bisa menghasilkan pengelompokan data yang lebih
homogen, penyebaran pusat klaster yang optimum global, serta menghasil suatu
cluster yang memiliki tingkat akurasi yang tinggi.
1.2Identifikasi Masalah
Berdasarkan latar belakang yang telah diuraikan di atas, maka dapat
dirumuskan beberapa masalah antara lain :
1. Bagaimana EP dapat digunakan untuk mengoptimasi FCM
2. Bagaimana menerapkan EP pada FCM dalam melakukan klasterisasi data.
1
Fakultas Teknik Informatika
Program Studi S1 Teknik Informatika
Tugas Akhir - 2011
2
3.
Sejauh mana peningkatan kinerja FCM dengan pendekatan EP serta
parameter-parameter FCM apa yang kemudian harus dipertimbangkan
dalam penerapan EP.
Dalam implementasi tugas akhir ini dibatasi oleh beberapa hal, sebagai
berikut :
1. Dataset yang digunakan adalah data yang sudah dilakukan pre-processing
dan siap di-mining.
2. Jenis data pada dataset adalah data numeric saja.
3. Tidak ada fitur perubahan data uji tapi jumlah data dapat di tambah
4. Perubahan data uji akan mengakibatkan perubahan pada source code dan
penyesuaian pada dataset.
1.3Tujuan
Tujuan yang ingin dicapai dalam tugas akhir ini adalah
1. Menerapkan metoda EP untuk menghindari solusi yang optimum lokal pada
penyelesaian pusat cluster dengan FCM biasa.
2. Menganalisis sejauh mana algrotima Evolutionary programming dapat
meningkatkan kinerja fuzzy clustering dalam hal cluster validity,
kompleksitas komputasi, dan classification rate.
1.4Metode Penelitian
Metode yang digunakan penulis dalam mengumpulkan data-data untuk
pembuatan aplikasi dan penyusunan Tugas Akhir dilakukan dengan cara, yaitu :
1.
2.
3.
4.
Fakultas Teknik Informatika
Studi literatur
Pencarian referensi dan sumber-sumber yang berhubungan dengan
Clustering, Fuzzy c-Means, Evolutionary Programming, dan referensi yang
yang dapat membantu dalam menyelesaikan tugas akhir ini
Pengumpulan data
Mengumpulkan beberapa dataset yang diperlukan untuk menguji sistem
yang dibuat.
Analisis dan perancangan sistem
Melakukan analisis dan perancangan terhadap sistem yang dibangun,
menganalisis metode yang akan digunakan untuk menyelesaikan
permasalahan, termasuk menentukan bahasa pemrograman yang digunakan,
arsitektur, fungsionalitas, dan antarmuka sistem. Input sistem berupa data
set uji dan outputnya dari sistem adalah nilai validitas klastering.
Implementasi dan pembangunan sistem
a. Membangun sistem klastering dengan menggunakan fuzzy c-means
secara konvensional.
b. Membangun sistem klastering dengan menggunakan fuzzy c-means
dengan menambahkan metode Evolutionary programming dalam
penentuan titik pusat klaster.
Program Studi S1 Teknik Informatika
Tugas Akhir - 2011
3
5.
6.
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Pengujian dan analisis
Pengujian dan analisis dilakukan oleh penulis tanpa melibatkan pihak lain,
meliputi:
a. Pengujian untuk mengetahui tingkat validitas klastering dan
classtification rate dari system klastering FCM konvensional.
b. Pengujian untuk mengetahui tingkat validitas klastering dan
classtification rate dari system klastering FCM dengan penambahan
Evolutionary Programming.
c. Analisis perbandingan performansi antara FCM konvensional dengan
penambahan EP dari segi tingkat validitas klaster dan nilai
claasification rate-nya.
Pengambilan kesimpulan dan penyusunan laporan Tugas Akhir.
Program Studi S1 Teknik Informatika
Tugas Akhir - 2011
33
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan dari data hasil pengujian terhadap dataset iris
dana
animalsNorm yang dilakukan proses klasterisasi dengan FCM konvensional dan
FCM dengan menerapkan EP, maka dapat disimpulkan sebagai berikut :
1. Dari nilai validitas klastering dan classification rate yang dihasilkan dari dataset
iris, data hasil klaster dengan FCM dan EP memilki nilai yang lebih bagus
daripada FCM konvensional yaitu nilai koefisien partisi 0.7864, entropi partisi
0.3926 dan classification rate 97.3333% sedangkan klasterisasi dengan FCM
konvensional nilai koefisien partisi 0.6043, entropi partisi 0.697 dan
classification rate 91.3333%.
2. Dari dataset animalsNorm dengan jumlah atribut 12 dan jumlah record 3000
menghasilkan nilai koefisien partisi terbaik 0.4764, entropi partisi 0.9297
dengan classification rate 91.33% dan jumlah kesalah anggota klaster hanya
260 record, dengan begitu FCM yang menerapkan EP dapat memberikan hasil
klaster yang bagus terhadap jumlah record dan atribut yang besar.
3. Algoritma evolutionary programming dapat meningkatkan kinerja fuzzy Cmeans dengan meng-evaluasi titik pusat klaster, sehingga permasalahan pada
FCM konvensional yang sangat tergantung pada inisialisasi titik pusat awal dan
terkadang hanya mencapai hasil yang optimum local dapat teratasi walaupun
dengan waktu komputasi yang lebih lama.
5.2 Saran
Saran yang dapat diberikan untuk melakukan pengembangan berikutnya
antara lain:
1. Dapat menggunakan data uji yang lebih besar dan lebih variatif dengan rentang
nilai yang besar juga.
2. Dalam peningkatan kinerja FCM dalam digunakan algortima optimasi yang
lebih bagus seperti algoritma Differential Evolution, bee colony dan algoritma
optimasi lainnya.
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika
Tugas Akhir - 2011
34
Daftar Pustaka
[1] Dataset animalsNorm di unduh pada
http://uisacad2.uis.edu/dstar/data/clusteringdata.html, 30 desember 2010
[2] Klawon Frank, Keller Annette, 1998, “Fuzzy Clustering with Evolutionary
Algorithms”, Seventh IFSA World Congress V.2, 1998.
[3] Kusrini, Emha Taufiq Lutfhi, 2009, “Algoritma Data Mining”, ANDI, Yogyakarta,
Indonesia
[4] Manish Sarkar, Yegnanarayana B., and Deepak Khemani, 1996, “A clustering
algorithm using on evolutionary programming-basep approach”, Pattern
Recognation Letters, 18(1997)975-986.
[5] Rasidi, Rachmat, Agung Toto Wibowo, S.T, Dhinta Darmantoro, S.T, MSCS,
2009, Analisis dan Implementasi Algoritma Genetika untuk Peningkatan Kinerja
Fuzzy C-Means.Bandung. IT Telkom
[6] Santosa, Budi, 2007, “Data Mining Teknik Pemanfaatan Data untuk Keperluan
Bisnis”, Graha Ilmu, Yogyakarta, Indonesia.
[7] Su, Mu-Chun, “A New Index of Cluster Validity” diunduh pada :
http://machaon.karanagai.com/validation_algorithms.html, tanggal 25 November
2010
[8] Suyanto, ST., MSc. 2008. Evolutionary Computation : Komputasi Berbasis
“Evolusi” dan “Genetika”. Bandung : Informatika.
[9] Widyastuti, Naniek, Amir Hamzah, “Penggunaan Algoritma Genetika dalam
Peningkatan Kinerja Fuzzy Cluatering untuk Pengenalan Pola diunduh pada :
http://pdm-mipa.ugm.ac.id/ojs/index.php/bimipa/article/.../17/21”, 19 Oktober 2009
pukul 18.30
[10] Wikipedia. Cluster Analysis. Diunduh pada: http: //en.wikipedia.org/ wiki/
Cluster_analysis , 15 September 2009.
Fakultas Teknik Informatika
Powered by TCPDF (www.tcpdf.org)
Program Studi S1 Teknik Informatika