Search

This study aims to compare the performance of three clustering algorithms, namely Fuzzy C-Means, K-Means, and DBSCAN, in grouping houses based on their specifications and prices. The data used includes features such as price, building area, land area, number of bedrooms, number of bathrooms, and availability of garages. The performance of these algorithms was evaluated using Silhouette Score and Davies-Bouldin Score to determine the quality of cluster separation. The results indicate that K-Means achieved the best performance with the highest Silhouette Score of 0.7702 for two clusters, followed by Fuzzy C-Means, which excelled in handling overlapping clusters. DBSCAN, while effective in detecting outliers, showed suboptimal performance for this housing dataset. These findings suggest that K-Means is the most suitable clustering method for housing data, while Fuzzy C-Means and DBSCAN can serve as alternatives depending on the data characteristics. This research is expected to assist in making the house searching and classification process more efficient and provide additional insights for developers in shaping housing market strategies.

East Java has a prevalence of NCD exceeding the national average. Limited information on the disease clustering makes less optimal policy-making for preventing and controlling. This study aims to cluster areas and identify NCD risk factors. The study used secondary data from Basic Health Research in 2018. The data was analyzed using FCM. There were 3 clusters resulting from this research. In Cluster 1, the average proportion of all NCD's and 33.33% of the NCD's risk factors exceeds the average proportion of the province. In Cluster 2, the average proportion of 1 NCD and 77.78% of the NCD's risk factors exceeds the average proportion of the province. In Cluster 3, all NCD's have an average proportion less than the average proportion in the province and 22.22% of the NCD's risk factors have an average proportion exceeding the average proportion in the province. Cluster 1 is the cluster with the average proportion of NCD's exceeding the average proportion of NCD's in the province and the highest among the other clusters. Cluster 2 is a cluster with an area with risk factors for NCD's with the highest average proportion of the different clusters. Keywords: NCDs, analysis cluster, fuzzy c-means

Salah satu faktor yang menentukan apakah perkembangan manusia itu positif atau negatif adalah pendidikan. Khususnya Provinsi Jawa Timur yang memiliki angka kesenjangan mutu pendidikan antar daerah dan Lembaga. Penelitian ini bertujuan untuk untuk mengelompokkan kualitas pendidikan pada kota/kabupaten di Jawa Timur berdasarkan sejumlah parameter yaitu, angka partisipasi sekolah kasar, angka partisipasi murni, rata-rata lama sekolah, angka melek huruf. Metode clustering pada penelitian ini menggunakan algoritma Fuzzy C-Means. Didapatkan cluster terbaik 0.65 dengan 2 cluster. Berdasarkan kualitas pendidikan, temuan mengungkapkan bahwa Jawa Timur terbagi menjadi dua cluster kota/kabupaten: cluster 1 (dengan tingkat kualitas pendidikan tinggi) dengan 14 anggota, dan cluster 2 (dengan tingkat pendidikan rendah) dengan 24 anggota.

Saat ini, urgensi penilaian kinerja anggaran birokrasi semakin meningkat seiring dengan kebutuhan pengukuran kinerja sektor publik dalam manajemen kinerja sektor publik. Salah satunya adalah pengukuran kinerja pelaksanaan anggaran satuan kerja yang kemudian dinilai berdasarkan Indikator Kinerja Pelaksanaan Anggaran (IKPA). IKPA telah dirancang sebagai suatu mekanisme penilaian yang pada akhirnya memberikan stimulus positif bagi birokrasi untuk dapat lebih efektif, efisien, dan ekonomis dalam perencanaan dan pelaksanaan anggaran satuan kerja sesuai prinsip Value for Money. Penelitian kuantitatif ini menunjukkan bahwa ada beda rata-rata nilai akhir IKPA satuan kerja di lingkup KPPN Blitar di Tahun 2022 dan Agustus 2023, sehingga perlu analisa lebih lanjut untuk mengelompokkan satuan kerja menggunakan Fuzzy C-Means berdasarkan nilai capaian delapan indikator IKPA formulasi Tahun Anggaran 2022. Dari hasil clustering diperoleh 2 (dua) klaster optimal dengan banyak anggota 41 satuan kerja di klaster pertama dan 44 satuan kerja di klaster kedua. Pengelompokan menunjukkan bahwa pada klaster pertama diperlukan dorongan dalam pencapaian kinerja indikator Deviasi Halaman III DIPA dan indikator Penyerapan Anggaran dan pada klaster kedua diperlukan dorongan untuk pencapaian indikator Data Kontrak dan Penyelesaian Tagihan. Hasil pengelompokan diharapkan dapat dijadikan dasar pengambilan kebijakan dalam manajemen dan pengukuran kinerja anggaran, khususnya untuk memenuhi ekspektasi penegasan arah kebijakan IKPA 2023.

The formation of quality human resources cannot be separated from food, as nutritional intake affects human performance and health. As time increases, the number of residents increases to increase food needs. The ability of a region to meet food needs in its territory is different from other regions. This study aims to classify regions in East Java Province based on food security and determine areas with the best and lowest food security. The method used is the Fuzzy C-Means (FCM) and TOPSIS methods.This research uses criteria based on the Food Security Index compiled by the Food Security Agency. The results of regional clustering using FCM selected the best cluster using three clusters for all requirements, except in food utilization in the city using five clusters. Furthermore, from the clustering results, clustering and cluster members use TOPSIS and produce Magetan regency and Madiun city as areas with the highest food security. At the same time, the lowest food securities are Probolinggo regency and Kediri city.

The purpose of this study was to group districts/cities in Indonesia based on toddler nutrition problems.. The research method used in this research is Two Step Cluster, Fuzzy C-Means and K-Modes method. In the Two Step Cluster method, there are two stages carried out, namely Pre-Clustering and Case of Clustering. In the Ensemble K-modes method, there are two methods, namely Fuzzy C-Means and K-Modes. The data used in this study are secondary data in the form of data on under-five nutrition problems in Indonesia in 2022. After analysis, the grouping results obtained using the Two Step Cluster method consist of 2 clusters, while the Ensemble K-modes method produces 5 clusters

Penyandang Masalah Kesejahteraan Sosial (PMKS) adalah sekelompok orang yang tidak dapat menjanankan fungsi sosial karena tantangan spiritual, fisik, atau sosial. Penelitian ini bertujuan untuk mengelompokkan kecamatan di Kabupaten Bojonegoro dengan melihat permasalahan sosial yang ada pada setiap kecamatan di Bojonegoro. Berdasarkan data PMKS di Kabupaten Bojonegoro setiap kecamatan terdiri dari jenis PMKS yang berbeda sehingga diperlukan analisis cluster untuk mengelompokan kecamatan berdasarkan karakteristik jenis PMKS. Analisis clustering yang dipakai dalam penelitian ini merupakan Fuzzy C-Means (FCM). FCM ialah teknik pengelompokan data yang keberadaan setiap data dalam cluster dipastikan oleh nilai keanggotaan. Hasil pengelompokkan kabupaten di Kabupaten Bojonegoro berdasarkan jenis penyandang masalah kesejahteraan sosial dibagi menjadi 2 cluster (tinggi dan rendah) dengan nilai silhouette 0,7275 yang menunjukkan kekuatan cluster mempunyai struktur kuat. Terdapat 7 kecamatan dengan penyandang masalah kesejahteraan sosial yang tinggi dan tergolong dalam cluster 1. Di cluster 2 terdapat 21 kecamatan dengan penyandang masalah kesejahteraan sosial yang rendah dibandingkan dengan cluster 1.

Heart disease is the main cause of death which can be diagnosed using an electrocardiogram. This study aims to classify heart defects using the Fuzzy C Means technique. The advantage of using Fuzzy C Means is that it is unsupervised and can reach a convergent cluster center under certain conditions. It is a clustering model that has the value of the objective function, number of iterations and completed time. In an unsupervised learning, the focus is more on exploring data such as looking for patterns in the data. Clustering itself aims to identify patterns of similar data to be grouped. It can be a solution to overcome the process of determining the risk of heart disease. The results showed that there were 10 data grouped into cluster 1 and 10 data into cluster 2. The first group (Cluster 1) consisted of patients with serial numbers 3,5,8,9,11,12,16,17,19,20, while the second group (Cluster 2) consisted of patients with serial numbers 1,2,4,6,7,10,13,14,15 and 18. Accuracy testing results in a success rate of 60%.

Copyright of Techno.com is the property of Universitas Dian Nuswantoro, Fakultas Ilmu Komputer and its content may not be copied or emailed to multiple sites or posted to a listserv without the copyright holder's express written permission. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)

The Human Development Index (HDI) is very important in measuring the country's success as an effort to build the quality of life of people in a region, including Indonesia. The government needs to make groupings based on the needs of a city/district. To facilitate data grouping based on the similarity of existing characteristics, it is necessary to have a data grouping method, namely the clustering technique. There are several algorithms that are often used in clustering techniques, namely K-Means and Fuzzy C-Means. Each algorithm has advantages and disadvantages. Therefore, in this research, the comparison of the best clustering algorithms will be discussed. The purpose of this research is to compare the K-Means and Fuzzy C-Means algorithms in the grouping of Regencies/Cities in Central Java Province in 2021 based on the Human Development Index (IPM) indicator. The method used is descriptive qualitative. The data used is obtained from the Central Java Statistics Agency, which is in the form of the Central Java Province HDI indicator in 2021 which consists of 35 Regency/City members and has 4 variables, namely Life Expectancy (AHH) (X1), Expectation of School Years (HLS) (X2), Average Length of School (RLS) (X3) and Expenditure Per Capita (X4). The results showed that after a comparative analysis with the standard deviation ratio method, the FCM clustering method was better than the K-Means method. The value of the FCM standard deviation ratio is 0.460093 and the K-Means standard deviation ratio is 0.473601.

Di era digital seperti sekarang ini memiliki kartu kredit merupakan suatu hal yang wajar di masyarakat, dengan segala kemudahan yang ditawarkan dalam setiap transaksi pembayaran tidak menutup kemungkinan untuk menarik minat masyarakat dalam menggunakan kartu kredit. Dengan minat masyarakat yang tinggi terhadap kartu kredit, hal ini dapat dijadikan sebagai indikator yang baik bagi perusahaan kartu kredit untuk mengembangkan bisnis kartu kredit. Dalam rangka memenuhi kebutuhan konsumen akan kartu kredit, perusahaan dituntut untuk mengambil keputusan dalam menentukan strategi pemasaran yang tepat sehingga dapat menarik minat para pelanggan, salah satu caranya adalah dengan melakukan segmentasi pelanggan dengan metode clustering. Bisecting K-Means dan Fuzzy C-Means merupakan algoritma clustering yang akan digunakan pada penelitian ini untuk melakukan pengelompokan data pengguna kartu kredit. Analisis akan dilakukan untuk mengetahui algoritma dengan performa terbaik berdasarkan pengujian validitas dari kedua algoritma dengan menggunakan metode silhouette coefficient. Dari penelitian ini didapapatkan hasil bahwa Bisecting K-Means tanpa normalisasi memiliki nilai silhouette coefficient yang lebih tinggi dibandingkan dengan Fuzzy C-Means. Dimana nilai silhouette coefficient Bisecting K-Means sebesar 0.588 dan 0.579 dengan normalisasi, sedangkan nilai silhouette coefficient Fuzzy C-Means adalah 0.488 dan 0.582 dengan normalisasi.

COVID-19 is a virus that attacks the respiratory system in humans and spreads rapidly. The government has taken various ways to reduce the rate of transmission of COVID-19, including by providing a COVID-19 information center that can be accessed by anyone, but there is no grouping of regional zones with high to low COVID-19 cases. Therefore, a clustering process system for the spread of COVID-19 is needed so that it is able to provide information on clusters of COVID-19 distribution areas in Aceh with the highest case zone (red zone), medium case zone (yellow zone), and low case zone (green zone). The steps carried out in this study using the Fuzzy C-Means Algorithm are collecting data (input data), conducting the clustering process (determining the number of clusters, weighting rank, maximum iteration and epsilon), displaying clustering results. In this study, the authors collected COVID-19 data from 23 districts/cities in Aceh using 6 variables consisting of confirmed, in care, healed, died, suspected, and probable. The results of the clustering study on the spread of COVID-19 are as follows: One district/city in cluster 1 (red zone), the four districts/cities in cluster 2 (yellow zone), eighteen districts/cities in cluster 3 (green zone). Based on the results of this study, the Fuzzy C-Means Algorithm can be used and applied properly in clustering the spread of COVID-19 in the Province of Aceh.

Segmentasi citra merupakan salah satu tahap paling penting dalam computer-aided diagnosis yang berpotensi mempercepat proses diagnosis leukemia. Leukemia merupakan salah satu penyakit mematikan yang masuk ke dalam kategori kanker darah. Umumnya, pendeteksian leukemia limfoblastik akut (LLA) dilakukan secara manual di rumah sakit dengan cara menghitung secara manual sel leukosit yang terdapat pada citra apusan darah tepi hasil pewarnaan dengan metode immunohistochemical (IHC). Sayangnya, proses diagnosis manual memakan waktu 3−24 jam hingga hasil dapat diketahui dan cenderung tidak akurat karena tingkat kelelahan operator. Hasil yang tidak akurat dapat mengakibatkan kesalahan diagnosis yang berakibat fatal pada pasien. Sebuah metode segmentasi citra yang diusulkan oleh Vogado mampu mencapai akurasi 98,5% untuk menyegmentasi dataset ALL-IDB2. Namun, metode ini menggunakan algoritme pengelompokan k-means yang tidak optimal dalam menangani masukan citra yang memiliki intensitas derau yang tinggi. Dalam makalah ini, fuzzy c-means diterapkan guna mengetahui perubahan kinerja pada metode segmentasi tersebut. Dataset yang digunakan adalah ALL-IDB2 yang berjumlah 260 citra dengan ukuran masing-masing citra adalah 257×257 piksel dalam format tagged image file (TIF). Tahap awal metode ini adalah membagi citra dataset leukemia akut ALL-IDB2 menjadi skema warna cyan, magenta, yellow, key (CMYK) dan L*a*b yang kemudian mensubstraksi komponen M, yaitu dikurangkan dengan komponen *b. Hasil pengurangan tersebut kemudian dipisahkan dengan algoritme fuzzy c-means (FCM), yang kemudian menghasilkan keluaran citra yang hanya mengandung bagian nukleus dan latar belakang. Keluaran metode ini kemudian dievaluasi dan diukur menggunakan metrik accuracy, specificity, sensitivity, kappa index, dice-coefficient, dan time complexity. Hasil analisis menunjukkan bahwa pengubahan algoritme pengelompokan pada metode segmentasi citra tersebut tidak memberikan perubahan hasil yang signifikan, dengan rincian peningkatan terjadi pada metrik specificity dan precision rata-rata 0,1-0,4%, waktu eksekusi bertambah lama rata-rata 23,10%, dan penurunan terjadi pada metrik accuracy, yaitu turun menjadi 95,4238% dan nilai dice-coefficient 79,3682%. Maka, dapat disimpulkan bahwa penerapan algoritme FCM pada metode segmentasi yang diusulkan tidak memberikan peningkatan kinerja yang optimal.

There are many methods used in resolving data clustering. One of them is the Fuzzy C-Means (FCM) method, which is a reliable method to solve clustering problems in the East Java region. This study aims to determine the optimum cluster in the East Java region which can help the government to identify problems and assist policymaking in regencies/cities in East Java province. The research process uses data from the central statistical agency, namely the unemployment rate and poverty rate from 2010 to 2015. In this study, the Davies Bouldin Index (DBI) is used as a cluster validation test for determining the optimum cluster. Unemployment rate and poverty rate data were analyzed using RStudio. From the calculation of the FCM method and also the determination of the optimum cluster results obtained in 2 clusters with a DBI value of 1.2759, 3 clusters with a DBI value of 0.9937, 4 clusters with a DBI value of 0.8737. The optimum cluster is in 4 clusters with a minimum DBI value.

One of the strategic plans of the developing universities in obtaining new students is forming a partnership with surrounding high schools. However, partnerships made does not always behave as expected. This paper presented the segmentation technique to the previous new student admission dataset using the integration of recency, frequency, and monetary (RFM) analysis and fuzzy c-means (FCM) algorithm to evaluate the loyalty of the entire school that has bound the partnership with the institution. The dataset is converted using the RFM approach before processed with the FCM algorithm. The result reveals that the schools can be segmented, respectively, as high potential (SP), potential (P), low potential (CP), and very low potential (KP) categories with PCI value 0.86. From the analysis of SP, P, and CP, only 71 % of 52 school partners categorized as loyal partners.

Fuzzy C-Means (FCM) merupakan algoritma klastering yang sangat baik dan lebih fleksibel dari algoritma klastering konvensional. Selain kelebihan tersebut, kelemahan utama algoritma ini adalah sensitif terhadap pusat klaster. Pusat klaster yang sensitif mengakibatkan hasil akhir sulit di kontrol dan FCM mudah terjebak pada optimum lokal. Untuk mengatasi masalah tersebut, penelitian ini memperbaiki kinerja FCM dengan menerapkan Particle Swarm Optimization (PSO) untuk menentukan pusat klaster yang lebih baik. Penelitian ini diterapkan pada klastering sentimen dengan menggunakan data berdimensi tinggi yaitu ulasan produk yang dikumpulkan dari beberapa situs toko online di Indonesia. Hasil penelitian menunjukkan bahwa penerapan PSO pada pembangkitan pusat klaster FCM dapat memperbaiki performa FCM serta memberikan luaran yang lebih sesuai. Performa klastering yang menjadi acuan adalah Rand Index, F-Measure dan Objective Function Value (OFV). Untuk keseluruhan performa tersebut, FCM-PSO memberikan hasil yang lebih baik dari FCM. Nilai OFV yang lebih baik menunjukkan bahwa FCM-PSO tersebut membutuhkan waktu konvergensi yang lebih cepat serta penanganan noise yang lebih baik. Abstract Fuzzy C-Means (FCM) algorithm is one of the popular fuzzy clustering techniques. Compared with the hard clustering algorithm, FCM is more flexible and fair. However, FCM is significantly sensitive to the initial cluster center and easily trapped in a local optimum. To overcome this problem, this study proposes and improved FCM with Particle Swarm Optimization (PSO) algorithm to determine a better cluster center for high dimensional and unstructured sentiment clustering. This study uses product review data collected from several online shopping websites in Indonesia. Initial processing product review data consists of Case Folding, Non Alpha Numeric Removal, Stop Word Removal, and Stemming. PSO is applied for the determination of suite cluster center. Clustering performance criteria are Rand Index, F-Measure and Objective Function Value (OFV). The results showed that FCM-PSO can provide better performance compared to the conventional FCM in terms of Rand Index, F-measure and Objective Function Values (OFV). The better OFV value indicates that FCM-PSO requires faster convergence time and better noise handling.

Lazis scholarship is a scholarship given to underprivileged students and does not yet have a system that supports the decisions to be taken. AHP is one of the most popular decision making methods in solving problems. But, AHP has several weaknesses. So that it will be modified based on previous research and the addition of fuzzy algorithms to get a better decision support system method. The results of this research were A009 students with the final result priority index value of 0.004176516 getting the first position. And the addition and modification in in this research is better than the standard decision support system. Fuzzy c-means produce scores that are more variable than manual grouping. Using sorting and ranking will produce a pairwise comparison matrix that is definitely consistent and has an average faster processing time is 0.028396 seconds, whereas with the standard method is 0.284415 seconds. Modification of alternative priorities also have a relatively faster average implementation time of 0.3165 seconds than the standard calculation with 2.6003 seconds. And modifications to the FPIV, if taking the top 25 ranking in the standard FPIV produces 3 the same value while in the modified FPIV there is 1 same value.

Pengolahan citra merupakan salah satu aplikasi yang dimanfaatkan dalam kehidupan. Salah satu kajian pengolahan citra adalah segmentasi. Segmentasi citra dilakukan dengan banyak pendekatan, diantaranya pedekatan klastering. Algoritma klastering yang digunakan pada segmentasi citra, umumnya berbasis fuzzy c-means. Fuzzy c-mean (FCM) membagi citra menjadi beberapa wilayah tingkat keabuan berdasarkan derajat keanggotaan pada rentang [0,1]. FCM kurang memanfaatkan informasi spasial, yang merupakan atribut penting dalam proses segmentasi citra. Oleh karena itu, Chuang dkk (2006) menambahkan fungsi spasial dalam perhitungan derajat keanggotaan FCM, dengan parameter kontrol non-spasial p dan parameter kontrol spasial q. Metode ini dikenal dengan nama spatial fuzzy c-means (sFCM). Kinerja algoritma FCM dan sFCM diuji menggunakan data citra simulasi, citra batik dan citra otak. Hasil segmentasi terbaik ditentukan berdasarkan indeks validasi Vpe, Vpc, Vxb dan SC. Hasil segmentasi menunjukkan bahwa variasi parameter p dan q terbaik menurut indeks validasi Vpe dan Vpc adalah sFCM2,1 dan sFCM2,2, sedangkan Vxb dan SC menghasilkan nilai optimal untuk FCM. Namun, sFCM hanya memberikan sedikit perbaikan terhadap hasil segmentasi FCM pada citra yang mengandung gaussian noise. Artinya, sFCM tidak robust (tahan) pada citra noise.

One of the factors traffic accidents is caused by a damaged road. Therefore, road improvements based on the priorities scale is indispensable. This study implements the Fuzzy C-means method. The method is capable of classifying data based on the characteristics. The results showed that the FCM algorithm was able to classify the road improvements into four groups; 1, 2, 3, and 4 priorities. Based on the test results the accuracy of calculations on the data of road damage, there are 8 correct data from 9 trial data or 88.89%, which indicates that the method FCM clustering results and a precise calculation.

Di wilayah Kecamatan Bantul, seorang warga disebut sebagai keluarga miskin berdasarkan beberapa aspek seperti aspek pangan, sandang, papan, penghasilan, kesehatan, pendidikan, kekayaan, air bersih, listrik maupun jumlah jiwa. Aspek-aspek tersebut akan digunakan sebagai atribut dalam proses clustering. Masing-masing atribut memiliki nilai yang akan diolah. Penelitian ini dikerjakan menggunakan seleksi atribut information gain sebelum proses clustering untuk melihat atribut mana yang sebenarnya berpengaruh dan tidak, sehingga hanya atribut yang berpengaruh saja yang akan digunakan, metode Fuzzy C-Means untuk clustering penduduk miskin dan Xie Beni untuk menentukan jumlah klaster terbaik. Hasil penelitian menunjukkan penggunaan information gain dengan threshold 0.0001 untuk clustering dengan menghilangkan atribut penghasilan memiliki hasil cluster yang sama dengan menggunakan atribut penghasilan. Pengujian terhadap 23, 500, 1000 dan 1313 untuk jumlah cluster 2, 3, 4, 5, 6 dan 7 menunjukkan bahwa nilai dari Xie-Beni Index terkecil adalah 5 dengan nilai 0,1343, sehingga cluster yang paling optimal adalah 5.

Tulisan ini memperkenalkan metode fuzzy c-means dalam mengklasifikasi konstruk tes. Untuk memverifikasi sifat unidimensional suatu tes biasanya menggunakan analisis faktor sebagai bagian dari statistik parametrik dengan beberapa persyaratan yang ketat sedangkan metode fuzzy c-means termasuk metode heuristik yang tidak memerlukan persyaratan yang ketat. Studi simulasi penelitian ini menggunakan dua metode yakni analisis faktor menggunakan program SPSS dan fuzzy c-means menggunakan program Matlab. Data simulasi menggunakan tipe data dikotomi dan politomi yang dibangkitkan lewat prog-ram Microsoft Office Excel dengan desain 2 kategori, yakni: tiga butir soal dengan banyak peserta tes 10, dan 30 butir soal dengan banyak peserta tes 100. Hasil simulasi menunjukkan bahwa metode fuzzy c-means lebih memberikan gambaran pengelompokan secara deskriptif dan dinamis pada semua desain yang telah dibuat dalam memverifikasi unidimensional pada suatu tes. Kata kunci: fuzzy c-means, analisis faktor, unidimensional _____________________________________________________________ SIMULATION STUDY USING FUZZY C-MEANS FOR CLASIFYING TEST CONSTRUCTION Abstract This paper introduces the fuzzy c-means method for classifying the test constructs. To verify the unidimensional a test typically uses factor analysis as part of parametric statistics with some strict requirements, while fuzzy c-means methods including method heuristic that do not require strict require-ments. Simulation comparison between the method of factor analysis using SPSS program and fuzzy c-means methods using Matlab. Simulation data using data type dichotomy and politomus generated through Microsoft Office Excel programs each with a number of 3 items using the number of participants 10 tests, while the number of 30 test items using the number as many as 100 participants. The simulation results show that the fuzzy c-means method provides a more descriptive and dyna-mic grouping of all the designs that have been made in verifying the unidimensional as a test. Keywords: fuzzy c-means, factor analysis, unidimensional

Abstrak Ketahanan pangan merupakan salah satu prasyarat dasar yang harus dimiliki dalam rangka mewujudkan kesejahteraan masyarakat. Namun, pada kenyataannya meskipun kabupaten Cirebon termasuk salah satu pensuplai beras wilayah Jawa Barat masih ada beberapa desa yang justru mengalami rawan pangan. Minimnya indikator yang digunakan oleh BKP5K Kabupaten Cirebon dalam menentukan status rawan pangan dan tahan pangan masih menjadi kendala dalam penganalisaan penyebab rawan pangan. Penelitian ini mencoba mengembangkan sebuah sistem yang dapat membantu BKP5K Kabupaten Cirebon untuk penentuan cluster rawan pangan dan tahan pangan serta macam rekomendasi bantuannya melalui parameter indikator ketahanan dan kerawanan pangan yang telah ditentukan. Sistem ini dibangun dengan menggunakan metode Fuzzy C-Means untuk mengelompokkan daerah rawan pangan dan tahan pangan serta metode Takagi Sugeno Kang sebagai rulebase dalam pemberian rekomendasi bantuannya. Setelah melakukan pengujian pada 6 kasus uji, aspek yang paling berpengaruh pada penentuan desa rawan pangan yaitu aspek ketersediaan pangan, aspek akses pangan dan penghidupan, serta aspek kesehatan dan gizi. Sedangkan jumlah penduduk dibawah garis kemiskinan, desa yang tidak memiliki akses penghubung yang memadai, jumlah RT tanpa akses listrik, jumlah areal tanam yang terkena puso, serta jumlah buruh baik buruh tani dan swasta merupakan 5 indikator yang memiliki pengaruh penting dalam penentuan daerah rawan pangan. Kata kunci— Fuzzy C-Means, Fuzzy Takagi Sugeno Kang, rawan pangan, cluster Abstract Food security is one of the basic prerequisites that must be reserved in order to realize the welfare of society. Although the district Cirebon is one supplier of rice areas of West Java, there are still some villages experiencing food insecurity. The lack of indicators used by BKP5K Cirebon in determining the food insecurity is still a constraint in analyzing the causes of food insecurity. This study seeks to develop a system that can help BKP5K Cirebon to determine cluster food insecurity and advice assistance through a variety of parameters have been determined.The system is built using the Fuzzy C-Means method to classify the food insecurity and food stand andalso Takagi Sugeno Kang method asrulebase in the provision of assistance and advice. After testing 6thtest cases, the most influential aspectare: aspect food availability,aspect accessfood and livelihood, and also aspects of health and nutrition. While the number of people below the poverty line, the village with no access to adequate, the number of RT without access to electricity, the number of areas puso, and the number of workers are5thindicators that have an important influence in the determination of food-insecure areas. Keywords— Fuzzy C-Means, Fuzzy Takagi Sugeno Kang, Food insecurity, Cluster

Abstract Cluster analysis can be defined as identifying groups of similar objects to discover distribution of patterns and interesting correlations in large data sets. Clustering analysis is important in the fields of pattern recognition and pattern classification. Over the years many methods have been developed for clustering data. In general, clustering methods can be categoried into two categories, i.e., fuzzy clustering and hard clustering. Fuzzy C-means is one of many methods of clustering based on fuzzy approach, while K-Means and K-Medoid are methods clustering based on crisp approach. This study aims to apply Fuzzy C-Means, K-Means and K-Medoid methods for clustering stock data in a jbod and beverage company. The main goal is to find a clustering method that can produce optimal clusters, The resulting clusters are validated using Dunn'• Index (DI). It is expected that the result of this reseach can be used to support decision making in the food and beverage company. Keywords : Clustering, Fuzzy C-Means, K-Means, K-Medoid, Cluster Validity, Dunn's Index (Dl)