PERBANDINGAN METODE FUZZY C MEANS, FUZZY POSSIBILISTICS C MEANS DAN POSSIBILISTICS FUZZY C MEANS PADA NOISY DATA (Studi Kasus: Fasilitas Tempat Tinggal Setiap Propinsi Tahun 2017)

Abstract

Di era digital ini, data telah menjadi bagian yang sangat penting dalam peradaban manusia. Melimpahnya data saat ini akan menghasilkan suatu informasi yang mudah dimengerti, bermakna dan bermanfaat apabila dilakukan pengolahan terhadap data tersebut, termasuk didalamnya adalah pengolahan data error (noisy data). Salah satu kasus noisy data dalam bentuk outlier yang perlu diolah adalah data fasilitas tempat tinggal setiap propinsi tahun 2017. Data tersebut berasal dari website BPS. Dalam upaya mengatasi kasus noisy data yang berupa outlier pada data fasilitas tempat tinggal setiap propinsi tahun 2017, maka dapat dilakukan dengan menggunakan metode clustering. Metode clustering yang digunakan dalam penelitian ini adalah metode Fuzzy C Means, Fuzzy Possibilistics C Means dan Possibilistics Fuzzy C Means. Ketiga metode tersebut dibandingkan keakuratannya dalam mengelompokkan noisy data berdasarkan indeks Modified Partition Coefficient (MPC). Berdasarkan indeks Modified Partition Coefficient (MPC) didapatkan hasil bahwa metode Fuzzy Possibilistics C Means (FPCM) merupakan metode terbaik dibandingkan dengan metode Fuzzy Possibilistics C Means (FPCM) dan Possibilistics Fuzzy C Means (PFCM). Jumlah cluster yang optimal pada metode Fuzzy Possibilistics C Means (FPCM) ialah 5 cluster. Dari kelima cluster tersebut, cluster 4 merupakan cluster dengan fasilitas tempat tinggal paling layak dibandingkan dengan yang lainnya.