An Evaluation of Sampling Methods for Data Mining with Fuzzy C-Means

2001 ◽  
pp. 355-369 ◽  
Author(s):  
K. Josien ◽  
G. Wang ◽  
T. W. Liao ◽  
E. Triantaphyllou ◽  
M. C. Liu
Keyword(s):  
Data Mining ◽  
Sampling Methods ◽  
Fuzzy C Means

scholarly journals Educational data mining for students' performance based on fuzzy C-means clustering

2019 ◽  
Vol 2019 (11) ◽  
pp. 8245-8250
Author(s):  
Yu Li ◽  
Jin Gou ◽  
Zongwen Fan
Keyword(s):  
Data Mining ◽  
Educational Data Mining ◽  
Fuzzy C Means ◽  
Fuzzy C Means Clustering

scholarly journals An Efficient Clustering Approach for Automatic Detection of Calcification in Low Dose Chest CT

2019 ◽  
pp. 163-168
Author(s):  
P. Tamijiselvy ◽  
N. Kavitha ◽  
K. M. Keerthana ◽  
D. Menakha
Keyword(s):  
Data Mining ◽  
Low Dose ◽  
Early Stage ◽  
Clustering Algorithms ◽  
Automatic Detection ◽  
Chest Ct ◽  
Data Mining Algorithm ◽  
Fuzzy C Means ◽  
Data Mining Algorithms ◽  
Using Data

The degree of aortic calcification has been appeared to be a risk pointer for vascular occasions including cardiovascular events. The created strategy is fully automated data mining algorithm to segment and measure calcification using Low-dose Chest CT in smokers of age 50 to 70 .The identification of subjects with increased cardiovascular risk can be detected by using data mining algorithms. This paper presents a method for automatic detection of coronary artery calcifications in low-dose chest CT scans using effective clustering algorithms with three phases as Pre-Processing, Segmentation and clustering. Fuzzy C Means algorithm provides accuracy of 80.23% demonstrate that Fuzzy C means detects the Cardio Vascular Disease at early stage.

scholarly journals Penerapan Algoritma Fuzzy C-Means Dipadukan Dengan Model Fuzzy Recency Frequency Monetary (RFM) Untuk Customer Relationship Management (CRM) (Studi Kasus Di TokoSweet Amirah Medan)

2019 ◽  
Vol 15 (1) ◽  
pp. 7
Author(s):  
Yohanni Syahra ◽  
Yusnidah Y ◽  
Beni Andika
Keyword(s):  
Data Mining ◽  
Customer Relationship Management ◽  
Relationship Management ◽  
Customer Relationship ◽  
Fuzzy C Means

Konsumen merupakan aset yang sangat penting bagi perusahaan retail.Hal ini adalah alasan mengapa perusahaan retail harus merencanakan dan menggunakan strategi yang cukup jelas dalam memperlakukan konsumen.Dengan banyaknya jumlah konsumen yang dimiliki oleh suatu perusahaan retail, maka masalah yang dihadapi adalah bagaimana menentukan konsumen potensial.Dengan menerapkan konsep CRM (Customer Relationship Management), perusahaan dapat melakukan identifikasi konsumen potensial dengan melakukan segmentasi konsumen. Tujuan dari proses segmentasi konsumen adalah untuk mengetahui perilaku konsumen dan menerapkan strategi pemasaran yang tepat sehingga mendatangkan keuntungan bagi pihak perusahaan. Penelitian ini membahas tentang bagaimana proses data mining dari data konsumen di Toko Sweet Amirah, yaitu perusahaan retail yang khusus menjual perlengkapan dan peralatan bayi serta underwear pria dan wanita dewasa dan anak-anak dan berlokasi di Jalan Gedung Arca No. 29 B-C, Medan.ProsesData Miningini menggunakan data yang berasal dari data penjualan pada Toko Sweet Amirah dan bertujuan untuk mencari konsumen potensial.Model RFM merupakan model segmentasi yang umum digunakan pada perusahaan retail. Selanjutnya melakukan proses clustering menggunakan algoritma Fuzzy C-Means (FCM). Pada FCM jumlah cluster ditentukan. Hasil clustering dari algoritma tersebut digunakan untuk Aplikasidata miningmenggunakan MATLAB versi 7.10.0 dan memanfaatkan beberapatoolboxyaituFuzzy Logic ToolboxdanDatabase Toolbox

scholarly journals IMPLEMENTASI ALGORITMA FUZZY C-MEANS DAN METODE RECENCY FREQUENCY MONETARY (RFM) PADA APLIKASI DATA MINING UNTUK PENGELOMPOKAN PELANGGAN

Sebatik ◽  
2018 ◽  
Vol 22 (2) ◽  
pp. 88-94
Author(s):  
Nindya Rahmawati Syarif ◽  
Windarto Windarto
Keyword(s):  
Data Mining ◽  
Customer Relationship Management ◽  
Relationship Management ◽  
Customer Relationship ◽  
Fuzzy C Means ◽  
Rfm Model ◽  
Total Data

Pada dunia retail, konsumen merupakan salah satu aset yang sangat berpengaruh. Oleh sebab itu konsumen menjadi alasan perusahaan retail harus merencanakan dan mempunyai strategi yang baik dalam memperlakukan konsumennya. Dengan banyaknya jumlah konsumen yang dimiliki oleh suatu perusahaan retail, maka masalah yang harus dihadapi adalah bagaimana menentukan konsumen potensial dan menerapkan strategi pemasaran yang tepat sehingga mendatangkan keuntungan bagi pihak perusahaan. Maka dari itu, dengan menerapkan konsep CRM (Customer Relationship Management), perusahaan dapat melakukan penerapan konsumen potensial dengan melakukan segmentasi pengelompokan konsumen. Penelitian ini membahas tentang proses data mining menggunakan data konsumen dan data transaksi pada PT Eka Cipta Rasa. Proses data mining dimulai dengan melakukan proses clustering menggunakan algoritma Fuzzy C-Means (FCM). Output dari FCM adalah deretan pusat cluster dan beberapa derajat keanggotaan untuk setiap titik data. Hasil clustering digunakan untuk melakukan segmentasi kelas konsumen dengan menggunakan model Fuzzy RFM. Model Fuzzy RFM yaitu dengan menggabungkan teori himpunan fuzzy dengan model RFM dengan segmentasi berdasarkan atribut Recency, Frequency, dan Monetary. Umumnya perusahaan retail menggunakan metode ini untuk proses segmentasi konsumennya. Pengelompokkan (cluster) pelanggan berdasarkan karakteristik dan sifat saat bertransaksi dapat dijadikan suatu alternatif dalam pemecahan masalah. Dalam hal  ini, pelanggan akan dibagi menjadi 4 kelompok atau cluster pelanggan diantaranya  Golden, Silver, Bronze, dan Iron adapun variabel yang menjadi acuan pengelompokannya adalah tanggal pembelian akhir , frekuensi beli, dan total pembelian. Data yang digunakan merupakan data transaksi pelanggan periode Januari sampai Juni 2016. Total data adalah 4007 transaksi dari 328 pelanggan. Setelah data tersebut diolah dengan algoritma Fuzzy C-Means dan metode RFM, hasil akhir pada proses ini menunjukkan iterasi berakhir pada iterasi ke – 9 dengan total fungsi objektif sebesar 102,2 dan perubahan fungsi objektif sebesar 51,1. Cluster pelanggan yang dihasilkan adalah Golden : 38, Silver: 186, Bronze : 103 dan Iron : 0 .

Forecasting the Crop Yield Production in Trichy District Using Fuzzy C-Means Algorithm and Multilayer Perceptron (MLP)

2020 ◽  
Vol 11 (3) ◽  
pp. 83-98
Author(s):  
Geetha M. C. S. ◽  
Elizabeth Shanthi I.
Keyword(s):  
Data Mining ◽  
Crop Yield ◽  
Multilayer Perceptron ◽  
Training Data ◽  
Yield Data ◽  
Economic Determinants ◽  
Fuzzy C Means ◽  
Yield Production ◽  
Yield Forecast ◽  
Fuzzy C Means Algorithm

The agricultural stock depends upon several factors like biological, seasonal, and economic determinants. The growers sustain a vital loss if they are not capable of predicting the variations in these circumstances. The uncertainty on crop yield can be predicted in a logical and mathematical way. The forecast is made based on the previous archives of yield data secured from that area. Data mining is one such procedure practised to predict the crop yield. The systems examine the data, and on mining, several patterns based on numerous parameters predict the return. This article directs on crop yield forecast in Trichy district by adopting data mining techniques for rule formation on classifying the training data and implementing prediction for test data. The suggested method employs fuzzy C means algorithm for clustering and multilayer perceptron design for prediction. The results of accuracy and execution time of the proposed system correlated with the regression algorithm of prediction.

An Outlier Detection Method Based on Fuzzy C-Means Clustering

2009 ◽  
Vol 419-420 ◽  
pp. 165-168
Author(s):  
Qiang Li ◽  
Jian Pei Zhang ◽  
Guang Sheng Feng
Keyword(s):  
Data Mining ◽  
Outlier Detection ◽  
Detection Method ◽  
Experimental Results ◽  
Data Mining Techniques ◽  
Fuzzy C Means ◽  
Second Stage ◽  
Fuzzy C Means Clustering ◽  
Fcm Clustering ◽  
Two Stages

Both fuzzy c-means (FCM) clustering and outlier detection are useful data mining techniques in real applications. In this paper, we show that the task of outlier detection could be achieved as by-product of fuzzy c-means clustering. The proposed strategy consists of two stages. The first stage consists of purely fuzzy c-means process, while the second stage identifies exceptional objects according to a novel metric based on the entropy of membership values. We provide experimental results to demonstrate the effectiveness of our technique.

scholarly journals Cluster Analysis Menggunakan Algoritma Fuzzy C-means dan K-means Untuk Klasterisasi dan Pemetaan Lahan Pertanian di Minahasa Tenggara

2017 ◽  
Vol 8 (3) ◽  
Author(s):  
Jemaictry Tamaela ◽  
Eko Sediyono ◽  
Adi Setiawan
Keyword(s):  
Data Mining ◽  
Cluster Analysis ◽  
Open Source ◽  
Visual Information ◽  
Agricultural Land ◽  
Agricultural Lands ◽  
Fuzzy C Means ◽  
Gis Data ◽  
Perform Cluster Analysis

Abstract. The purpose of this study is to perform cluster analysis and implementation by utilizing fuzzyc-means (FCM) and k-means (KM) to process agricultural data based on the data mining results. The fuzzy c-means (FCM) and k-means (KM) are implemented to find out and form the agricultural land clusters which appropriate the commodity types based on the supporting attributes that are used. The analysis and implementation results could provide some land information such as the number of the clusters, the land areas, the region areas, the locations and the productivity levels. The results of this study could be applied as the suggestion in converting the land functions and structuring the agricultural lands. The utilization of Openstreetmap is an open source solution which is implemented in the application. It could give visual information related to the agricultural land regions based on the clusters which make it easier to comprehend. Keywords: Cluster analysis, C-means, K-means, GIS, Data mining Abstrak. Penelitian ini bertujuan untuk melakukan analisis cluster dan implementasinya dengan menggunakan algoritma fuzzy c-means (FCM) dan k-means (KM) untuk mengelola data  pertanian dari hasil data mining yang dilakukan. Fuzzy c-means (FCM) dan k-means (KM) dimplementasikan untuk menemukan dan membentuk klaster-klaster daerah lahan pertanian sesuai dengan jenis komoditi berdasarkan atribut-atribut pendukung yang digunakan. Hasil analisis dan implementasi dapat menyediakan informasi lahan seperti jumlah kluster, luas lahan, luas daerah, letak dan tingkat produktifitas. Hasil yang diperoleh dapat menjadi bahan masukan dalam proses alih fungsi dan penataan lahan pertanian. Penggunaan Openstreetmap merupakan solusi open source yang diimplementasikan pada aplikasi dapat memberikan informasi  visual daerah-daerah lahan pertanian berdasarkan klaster yang dihasilkan sehingga lebih mudah untuk dipahami.Keywords: Cluster analysis, c-means, k-means, GIS, Data mining

scholarly journals Cluster Analysis for Learning Style of Vocational High School Student Using K-Means and FUZZY C-MEANS (FCM)

2017 ◽  
Vol 7 (2) ◽  
pp. 121
Author(s):  
REZA ANDREA ◽  
Shinta Palupi ◽  
Siti Qomariah
Keyword(s):  
Data Mining ◽  
Learning Styles ◽  
Learning Style ◽  
Absorptive Capacity ◽  
Data Cleaning ◽  
Mining Method ◽  
Vocational High School ◽  
Fuzzy C Means ◽  
Group Type ◽  
Cluster Group

The inability of students to absorb the various knowledge conveyed by the teacher is not due to the inability of his understanding and not because the teacher is not able to teach, but rather due to the incompatibility of learning styles (learning style) between students and teachers, so that students feel uncomfortable learning to certain teachers, it occurred also in SMKN 2 Penajam Paser Utara (PPU), research to analyze cluster (group) type of student learning by applying data mining method that is K-means and Fuzzy C-means (FCM). The goal to be achieved is to know the effectiveness of this type of learning clustering on the development of absorptive capacity and improvement of student achievement. In this research, the method used to cluster the learning type with data mining process starting from data cleaning, data selection, data transformation, data mining, pattern evolution, and knowledge (knowledge).

Sign in / Sign up

Export Citation Format

Share Document