<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="11714">
 <titleInfo>
  <title>Fuzzy C-Means Clustering dengan analisis robust</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>Ningrum, Nor Indah Fitriya</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Bandung</placeTerm>
   <publisher>Magister Statistika Terapan</publisher>
   <dateIssued>2012</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code">id</languageTerm>
  <languageTerm type="text">Indonesia</languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd"></form>
  <extent>xi,; 107 hlm,;29 cm/</extent>
 </physicalDescription>
 <note>Clustering Analysis (analisis pengelompokan) merupakan salah satu teknik &#13;
multivariat yang bertujuan untuk menggabungkan unit-unit observasi ke dalam &#13;
cluster berdasarkan variabel yang digunakan untuk pengelompokan. C-means &#13;
clustering adalah salah satu metode pengelompokan nonhierarki yang paling &#13;
banyak digunakan. Kelemahan c-means jika sifat pengelompokan sulit untuk &#13;
dideskripsikan secara pasti. Dalam prakteknya kondisi ketidakpastian lebih sering &#13;
ditemui dalam mengklasifikasikan suatu kondisi. Karena itu kemudian &#13;
berkembang metode fuzzy clustering yang didasari oleh teori himpunan fuzzy &#13;
(kabur, tidak pasti), dimana salah satunya adalah fuzzy c-means (FCM). &#13;
Keberadaan noise dan data pencilan sering menyebabkan hasil analisis yang &#13;
kurang menggambarkan kondisi sebenarnya, karena taksiran pusat cluster &#13;
menjadi semakin jauh dari niIai sesungguhnya. SaIah satu faktor yang berperan &#13;
penting terhadap keefektifan FCM adalah pangkat penimbang m. Nilai m &#13;
optimum turut mempengaruhi ketahanan FCM terhadap noise dan penciIan. &#13;
Dalam anaIisis robust, untuk melihat pengaruh dari penambahan observasi &#13;
individual dapat digunakan 'kurva pengaruh' Influence Curve (lC) atau disebut &#13;
juga fungsi pengaruh. HasiI peneIitian menunjukkan niIai m yang terlalu besar &#13;
menyebabkan pengeIompokan kurang menggarnbarkan kondisi yang sebenarnya, &#13;
tapi pada tingkat tertentu (nilai m optimum) dapat menunjukkan robustness dari &#13;
FCM.</note>
 <note type="statement of responsibility">Ningrum, Nor Indah Fitriya</note>
 <subject authority="">
  <topic>Pencilan        3.   Pangkat penimbang        4.  </topic>
 </subject>
 <classification>519.5</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>Perpustakaan Universitas Padjadjaran Kementerian Riset Teknologi dan Pendidikan Tinggi</physicalLocation>
  <shelfLocator>519.5 NIN F/R.14.62</shelfLocator>
  <holdingSimple>
   <copyInformation>
    <numerationAndChronology type="1">01001120700035</numerationAndChronology>
    <sublocation>Perpustakaan Pusat (REF.14.62)</sublocation>
    <shelfLocator>519.5 NIN F/R.14.62</shelfLocator>
   </copyInformation>
  </holdingSimple>
 </location>
 <slims:image>20%252Fscan0001.jpg.jpg</slims:image>
 <recordInfo>
  <recordIdentifier>11714</recordIdentifier>
  <recordCreationDate encoding="w3cdtf">2017-04-01 15:44:36</recordCreationDate>
  <recordChangeDate encoding="w3cdtf">2018-05-25 10:14:48</recordChangeDate>
  <recordOrigin>machine generated</recordOrigin>
 </recordInfo>
</mods>
</modsCollection>