ABSTRACTAside forecasting, classification is an important process in the data mining field. Nowdays, theclassification usually use soft computing algorithms, such as Fuzzy Inference System (FIS), NeuralNetworks (NNs), and Genetic Algorithms (GAs). Different from K-Means, the fuzzy-based classification issometimes is said soft clustering. Some dynamic method has been research using K-Means for obtaining theoptimal number of cluster. This paper try to implement this method for FCM algoritms because thisalgorithms run better than K-Means. Similar to Dynamic Clustering using K-Means, for FCM everyelements of cluster are counted the distance from the center. Key Workds : Fuzzy C-Means Clustering (FCM), Cluster Quality, Dynamic Classification ABSTRAKSelain peramalan, klasifikasi merupakan salah satu proses penting dalam bidang data mining. Saat iniklasifikasi banyak dilakukan dengan algoritma-algoritma yang berbasis soft computing seperti fuzzy,jaringan syaraf tiruan (JST) ataupun algoritma genetik. Berbeda dengan K-Means, klasifikasi berbasis fuzzyyang sering disebut fuzzy C-Means (FCM) merupakan klasifikasi halus (soft clustering). Beberapa metodedinamis dengan memodifikasi algoritma K-Means telah banyak dilakukan dan terbukti memiliki hasil yangoptimal. Tulisan ini bermaksud menerapkan metode dinamis itu pada algoritma FCM mengingat FCMmemiliki keunggulan tertentu dibanding K-Means. Seperti pada K-Means, klasifikasi dinamis pada FCMmenunjukkan perbaikan pada nilai intra dan inter dimana nilai-nilai tersebut menunjukkan kedekatan antarelemen tiap kluster dan seberapa jauh jarak pisah antar pusat-pusat kluster. Kata Kunci : Fuzzy C-Means Clustering (FCM), Kualitas Kluster, Klasifikasi Dinamis
Copyrights © 2013