(2) Implementasi Manual Clustering dengan Metode K-MEANS

Pseudo code untuk K-Means

            int i, j;

            int jumdat; //berisi jumlah data

            double[,] A; // baris (m) untuk data i=1....jumlah data, kolom (n) untuk kluster j=1...jumlah cluster

            double[,] CENTROID; //titik centroid, baris untuk data, kolom untuk rata-rata atribut ke m=1...jumlah atribut

   double x, y;

            double min;

            int cluster = 0; // nilai default

            double d; //hasil euclid jarak-masing-masing titik

            double jarak_x; 

            double jarak_y; 

            double[,] sumxy; //untuk proses perhitungan baris (m) untuk data i=1....jumlah data, kolom (n) untuk kluster j=1...jumlah cluster

            for (i = 1; i < jumdat; i++) //menghitung jarak dari data pertama sampai data terakhir

            {

                min = 100000; //nilai awal jarak minimum

                x = A[i, 0]; // Nilai x objek data ke-i

                y = A[i, 1]; // Nilai y objek data ke-i

                for (j = 1; j <= jumcen; j++) 

                {

                    jarak_x = Math.Pow(Math.Abs(x - CENTROID[j, 0]), 2);

                    jarak_y = Math.Pow(Math.Abs(y - CENTROID[j, 1]), 2);

                    d = Math.Sqrt(jarak_x + jarak_y); 

                    if (d < min)    

                    {                 

                        min = d;      

                        cluster = j; 

                    } 

                }

                A[i, 2] = cluster; 

            }

            //Iterasi Ke-2

            bool IsStillMoving;

            IsStillMoving = true;

            int itung = 1; //jumlah iterasi

            do

            {

                itung = 1 + itung;

                double[,] sumxy = new double[jumdat, 4];

                for (i = 1; i < jumdat; i++)

                {

                    sumxy[Convert.ToInt32(A[i, 2]), 0] = A[i, 0] + sumxy[Convert.ToInt32(A[i, 2]), 0]; 

                    sumxy[Convert.ToInt32(A[i, 2]), 1] = A[i, 1] + sumxy[Convert.ToInt32(A[i, 2]), 1]; 

                    sumxy[Convert.ToInt32(A[i, 2]), 2] = 1 + sumxy[Convert.ToInt32(A[i, 2]), 2]; 

                }

                for (i = 1; i <= jumcen; i++)

                {

                    CENTROID[i, 0] = ((sumxy[i, 0]) / (sumxy[i, 2])); //Rata2 x di masing2 cluster

                    CENTROID[i, 1] = ((sumxy[i, 1]) / (sumxy[i, 2])); //Rata2 y di masing2 cluster

                }

                IsStillMoving = false;

                for (i = 1; i < jumdat; i++)

                {

                    min = 100000;

                    x = A[i, 0];

                    y = A[i, 1];

                    for (j = 1; j <= jumcen; j++)

                    {

                        jarak_ipk = Math.Pow(Math.Abs(x - CENTROID[j, 0]), 2);

                        jarak_lmstd = Math.Pow(Math.Abs(y - CENTROID[j, 1]), 2);

                        d = Math.Sqrt(jarak_ipk + jarak_lmstd);

                        if (d < min)

                        {

                            min = d;

                            cluster = j;

                        }

                    }

                    if (A[i, 2] != cluster)

                    {

                        A[i, 2] = cluster;

                        IsStillMoving = true;

                    }

                }

                itung++;

            } while (IsStillMoving);

            MessageBox.Show("Proses Selesai");

sumber : Kharismawan, Bagus 2015 (Unpad: University of Padjadjaran) Aplikasi K-Means dan Fuzzy C-Means Clustering untuk Mengelompokkan Data Mahasiswa FMIPA