ABSTRAKSI: Klasterisasi adalah proses pengelompokkan data ke dalam suatu klaster, sehingga objek pada klaster memiliki kemiripan sangat besar dengan objek lain pada klaster yang sama, tetapi sangat tidak mirip dengan objek pada klaster lain. Salah satu teknik klasterisasi adalah Fuzzy C-Means Clustering (FCM). FCM adalah teknik pengklasteran fuzzy dimana keberadaan tiap titik data dalam suatu klaster ditentukan oleh derajat keanggotaan. Dengan metode ini, data akan dikelompokkan ke dalam klaster yang berbeda sesuai persentase keanggotaannya di masing-masing klaster menggunakan metode optimasi klasik. Ada metode lain yang biasa digunakan untuk proses optimasi yaitu Algoritma Genetika (AG).
AG mengadopsi proses evolusi biologi, dimulai dari rekombinasi, mutasi dan seleksi natural yang berfungsi untuk membangkitkan solusi secara optimum global. Proses optimasi klasik sering terjebak pada penyelesaian yang optimum lokal.
TA ini difokuskan pada penggabungan FCM dengan AG untuk menghilangkan masalah optimum lokal pada FCM karena AG berfungsi untuk menentukan pusat klaster yang optimum global sehingga diharapkan pengelompokan data lebih homogen, penyebaran pusat klaster dan akurasi hasil clustering lebih tinggi.
Kata Kunci : Fuzzy C-Means, Algoritma Genetika, klasterisasiABSTRACT: Clustering is a process of grouping data into a cluster, it is why the object in a cluster has a very great similarity with other objects in the same cluster, but it is very different to the objects in another cluster. One technique of clustering is Fuzzy C-Means Clustering (FCM). FCM is a technique of fuzzy clustering in which each data point in a cluster is determined by the degree of membership. With this method, the data will be grouped into different clusters according to percentage of membership in each cluster by using classic optimization methods. There are other methods normally used for the optimization process, namely Genetics Algorithm (GA).
GA adopts biological process of evolution that started from genetics recombination, mutation and natural selection to generate a global optimum solution. The classic optimization process is often trapped in the local optimum solution.
This final task is focused on the merging FCM with GA to eliminate the problems of local optimum solution in FCM because GA serves to determine the global optimum cluster centers that are expected to produce more homogeneous data, the distribution of the central cluster and the higher accuracy of clustering results.
Keyword: Fuzzy C-Means, Genetics Algorithm, clustering