MATEMATIKA FUZZY
OLEH :
KELOMPOK 1
PENGKI YUDISTIRA, Nim : P2A918007
RIFNI ANJANI, Nim : P2A918003
WIRA NOVENTRI, Nim : P2A918013
BJ. NOFRIAN KURNIA, Nim : P2A918008
0
PEMBAHAS : PENGKI YUDISTIRA
BAB 3
∏ 𝐴𝑖
𝑖=1
Contoh 3.1 Ketika 𝐴 = {𝑎1 , 𝑎2 , 𝑎3 }, B {b1 , 𝑏2 } hasil perkalian Kartesian (Gambar 3.1).
1
Gambar. 3.1. Perkalian himpunan 𝑨 × 𝑩
Produk Cartesian 𝐴 × 𝐴 berikut ini dan juga ditampilkan dalam (Gambar 3.2)
Definisi (Relasi Biner) Jika A dan B adalah dua himpunan dan ada sifat tertentu
antara unsur-unsur x dari A dan y dari B, sifat ini dapat digambarkan dengan menggunakan
pasangan yang di lambangkan dengan (x, y). Satu pasangan himpunan tersebut (x, y), 𝑥 ∈
𝐴 dan 𝑦 ∈ 𝐵, disebut sebuah relasi R.
R = {(x, y) | 𝑥 ∈ 𝐴, 𝑦 ∈ 𝐵 }
( x, y) ∈ R atau x R y dengan R ⊆ A × B.
2
Jika ( x, y) ∉ R, x tidak dalam relasi R dengan y. Jika A=B atau R adalah relasi dari 𝐴
ke 𝐴, maka ditulis
( 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ) ∈ R
𝑅 ⊆ 𝐴1 × 𝐴2 × 𝐴3 × … × 𝐴𝑛
Misalkan R untuk relasi antara A dan B. Domain dan range dari relasi ini didefinisikan
sebagai berikut (Gambar 3.3.):
A B
R
dom Ran
(R) (R)
Di sini kita menyebut himpunan A sebagai dukungan dari dom (R) dan B sebagai
dukungan dari ran (R). dom (R) = A hasil dalam sepenuhnya ditentukan dan dom (R) ⊆ A
ditetapkan tidak lengkap. relasi R ⊆ A × B adalah himpunan pasangan terurut (x, y). Jadi,
3
jika kita memiliki elemen tertentu x di A kita dapat menemukan y dari B, yaitu, citra yang
dipetakan dari A. Kita menyebutnya " y adalah pemetaan x"( Gambar 3.4).
Jika kita mengungkapkan pemetaan ini sebagai f, y disebut gambar dari x yang
dilambangkan sebagai f (x)
Jadi kita bisa mengatakan ran (R) adalah himpunan yang mengumpulka f (x) ini
∀ y ∈ B, ∃ x A, y ∈ f (x)
4
Jadi, bahkan jika 𝑥1 ≠ 𝑥2 , 𝑓(𝑥) = 𝑥1 = 𝑓(𝑥2 ) dapat kita teruskan.
Oleh karena itu, jika R adalah injection, (𝑥1 , y) ∈ R dan (𝑥2 , y) ∈ R maka 𝑥1 = 𝑥2 .
5
3.1.4 Cara Menyajikan Relasi
(1) Bipartigraph
(3) Matriks
6
Asumsikan R adalah relasi antara A dan B, kita dapat mewakili relasi dengan matriks
M R = ( mij) yang didefinisikan sebagai berikut
Matriks tersebut disebut matriks relasi, dan gambar dari relasi diberikan berikut ini.
(Gambar. 3.9)
(4) Digraf
A = { 1, 2, 3, 4} dan R= {( 1, 1), (1, 2), (2, 1), (2, 2), (1, 3), (2, 4), (4,1)} misalnya.
(Gambar 3.9) menunjukkan grafik diarahkan sesuai dengan hubungan ini. Ketika
relasi simetris, sebuah grafik tidak diarahkan dapat digunakan sebagai pengganti dari
grafik diarahkan.
7
3.1.5 Operasi Relasi
Jika kita mengasumsikan R dan S adalah relasi yang didefinisikan pada ruang yang
sama A×B, relasi ini mungkin memiliki operasi gabungan, irisan, komplemen dan
komposisi.
A×B mewakili semua relasi yang mungkin dapat terjadi antara dua himpunan. Itu
berarti setara dengan konsep himpunan universal. Sekarang
R -1 = {( y, x) ∈ B×A | (x, y) ∈ R, x ∈ A, y ∈ B}
(5) Komposisi
R ⊆ A×B, S ⊆ B × C
8
3.1.6 Jalur dan Konektivitas pada Grafik
n n
(1) Hubungan R di A didefinisikan, x R y berarti terdapat jalur dari x ke y dengan
panjang n.
(2) Hubungan R∞ di A didefinisikan, x R∞ y berarti terdapat jalur dari x ke y. Artinya,
terdapat x R y atau x R 2 y atau x R 3 y ... dan. Relasi R∞ ini adalah relasi reachability,
dan dilambangkan sebagai x R∞ y.
(3) Keterjangkauan relasi R∞ dapat diartikan sebagai konektivitas relasi dari A.
Sekarang kita akan melihat sifat-sifat dasar dari relasi yang didefinisikan pada
sebuah himpunan, yaitu, R ⊆ A× A
Jika untuk semua x ∈ A, relasi x R x atau (x, x) ∈ R didirikan, kita menyebutnya relasi
refleksif. Relasi refleksif mungkin dinyatakan sebagai
x ∈ A⟶ ( x, x) ∈ R atau µR ( x, x) = 1, ∀ x ∈ A
Jika tidak dipenuhi untuk beberapa x ∈ A, relasi disebut “irefleksif”. jika tidak
dipenuhi untuk semua x ∈ A, relasi adalah “antirefleksif”. Suatu relasi refleksif sering
dilambangkan dengan D.
9
(𝑥, 𝑦) ∈ 𝑅 → (𝑦, 𝑥) ∈ 𝑅 atau
Konsep ini dicapai ketika relasi didefinisikan pada A membuktikan sifat berikut.
Untuk semua x, y, z ∈ A
Contoh 3.2 Jika R didefinisikan pada A, asumsikan bahwa R bukan relasi refleksif,
maka R' = D∪ R mengandung R dan relasi refleksif. Pada saat ini, R' dikatakan
refleksif tertutup R.
Contoh 3.3 Jika R didefinisikan pada A, transitif tertutup R adalah sebagai berikut
(Gambar 3.10), yang sama dengan R∞ ( reachability relasi).
R∞ = R ∪ R2 ∪ R3 ∪ …
Transitif tertutup R∞ dari R untuk A = { 1, 2, 3, 4} dan R = {( 1, 2), (2, 3), (3, 4), (2,
1)} adalah,
R∞ ={( 1, 1), (1, 2), (1, 3), (1,4), (2,1), (2,2), (2, 3), (2, 4), (3, 4)}. (Gambar 3.10)
menjelaskan contoh ini
10
(a) R (b) R∞
i) Relasi refleksif.
x ∈ A⟶ ( x, x) ∈ R
ii) Relasi simetris
(𝑥, 𝑦) ∈ 𝑅 → (𝑦, 𝑥) ∈ 𝑅
iii) Relasi transitif
11
(b) Ekspresi oleh grafik tak terarah
Definisi (Relasi kompatibel) Jika relasi memenuhi kondisi berikut untuk setiap x,
y ∈ A, relasi disebut relasi kompatibel.
i) Relasi refleksif
x ∈ A⟶ ( x, x) ∈ R
ii) Relasi simetris
(𝑥, 𝑦) ∈ 𝑅 → (𝑦, 𝑥) ∈ 𝑅
Jika relasi kompatibel R diterapkan pada himpunan A, kita dapat menguraikan himpunan
A ke himpunan bagian disjoin yang merupakan kelas kompatibilitas. Di setiap kelas
kompatibilitas, ada dua kondisi dipenuhi. Oleh karena itu, hubungan kompatibilitas pada
himpunan A memberikan partisi. Tapi satu-satunya perbedaan dari relasi ekivalen adalah
relasi transitif tidak lengkap dalam relasi kompatibilitas. (Gambar .3.12) menggambarkan
partisi dari himpunan A oleh relasi kompatibilitas. Di sini, kelas kompatibilitas adalah {a,
b, c} dan { d, e}.
12
(b) Ekspresi oleh grafik tak terarah
i) Relasi refleksif.
x ∈ A⟶ ( x, x) ∈ R
ii) Relasi transitif
(x, y) ∈ R, (y, z) ∈ R → (x, z) ∈ R
Gambar 3.13 adalah contoh dari pre-order untuk diberikan relasi R pada A. Tepi (b,d)
dan (f,h) simetris dan lainnya non-simetris. Melihat dari atas ( b, d) dan ( f, h), Anda akan
melihat bahwa relasi ekuivalensi tetap. Sehingga anggota tersebut dapat dikatakan sebagai
kelas yang sama seperti pada gambar.
Akibatnya kita dapat menjamin bahwa jika pre-order ada, itu berarti bahwa order ada
diantara kelas, dan jumlah anggota di kelas bisa lebih dari 1. Jika sifat relasi antisymmetric
ditambahkan ke pre-order, jumlah anggota di kelas harus 1 dan itu menjadi order relasi.
13
(b) Pre-order
Gambar. 3.13. Pre-order relasi
Definisi (Order relasi) Jika relasi biner R ⊆ A× A memenuhi syarat berikut untuk
setiap x, y, z A, itu disebut sebagai order relasi (atau order relasi parsial).
i) Relasi refleksif.
x ∈ A⟶ ( x, x) ∈ R
ii) Relasi antisimetrik
(x, y) ∈ R → (y, x) ∉ R
iii) Relasi transitif
(x, y) ∈ R, (y, z) ∈ R → (x, z) ∈ R
x ∈ A → (x, x) ∉ R
Karena order ditentukan dalam (b,a) dan (d,g) pada gambar, mereka dapat
dibandingkan. Dalam hal ini kita mengatakan “sebanding”. Tapi a dan c adalah “tak
tertandingi”. Pasangan sebanding (x, y) dinotasikan sebagai x ≥ y.
Dalam relasi order, ketika kondisi berikut (4) ditambahkan, kita sebut relasi ini “total
order” atau “order linear” relasi.
Total order juga disebut sebagai “rantai” karena dapat ditarik dalam garis.
Dibandingkan dengan total order, dengan urutan sebagai berikut kondisi (1), (2) dan (3)
14
saja disebut “order parsial”, dan satu himpunan mendefinisikan order parsial disebut
“himpunan order partial”.
Pasangan (x, y) dapat ditulis sebagai x ≥ y. Menerapkan fungsi ordinal ke dalam relasi
order (Gambar. 3.14 (a)), hasil (Gbr. 3.14 (b).)
(1) Dalam pre-order, simetri atau nonsymmetry diperbolehkan. Tapi dalam kasus order,
hanya antisymmetry diperbolehkan. Dengan kata lain, menambahkan antisymmetry
untuk pre-order, kita mendapatkan order.
(2) Sebuah pre-order dikatakan order antara kelas. Dengan kata lain, perintah adalah pre-
order membatasi bahwa jumlah kelas 1.
(3) Sebuah relasi ekivalen memiliki simetri, sehingga dapat diperoleh dengan
menambahkan simetri untuk pre-order relasi.
15
(b) fungsi Ordinal
1 𝑗𝑖𝑘𝑎 (𝑥, 𝑦) ∈ 𝑅
𝜇𝑅 (𝑥, 𝑦) = {
0 𝑗𝑖𝑘𝑎 (𝑥, 𝑦) ∉ 𝑅
𝜇𝑅 : 𝐴 × 𝐵 → {0, 1}
16
Kita tahu bahwa relasi R dianggap sebagai himpunan. Mengingat konsep fuzzy
sebelumnya, kita dapat mendefinisikan relasi yang ambigu.
Definisi (Relasi Fuzzy) Relasi fuzzy memiliki tingkat keanggotaan yang nilainya terletak
pada [0, 1].
𝜇𝑅 : 𝐴 × 𝐵 → {0, 1}
Ketika relasi fuzzy 𝑅 ⊆ 𝐴 × 𝐵 diberikan, relasi 𝑅 ini dapat dianggap sebagai himpunan
fuzzy di ruang 𝐴 × 𝐵. Gambar 3.15 menggambarkan bahwa relasi fuzzy R adalah
himpunan fuzzy pasangan (𝑎, 𝑏) dimana elemen 𝑎𝑖 ∈ 𝐴, 𝑏𝑖 ∈ 𝐵.
Mari kita asumsikan ruang produk Cartesian 𝑋1 × 𝑋2 terdiri dari dua himpunan 𝑋1 dan 𝑋2.
Ruang ini membuat satu set pasangan (𝑥1 , 𝑥2 ) untuk semua (𝑥1 ∈ 𝑋1 ), (𝑥2 ∈ 𝑋2 ) .
Diberikan relasi fuzzy R antara dua set 𝑋1 dan 𝑋2, relasi ini adalah seperangkat
pasangan(𝑥1 , 𝑥2 ) ∈ 𝑅. Akibatnya, relasi fuzzy ini dapat dianggap sebagai pembatasan
fuzzy ke set 𝑋1 × 𝑋2 . Oleh karena itu, 𝑅 ⊆ 𝑋1 × 𝑋2
Relasi biner fuzzy dapat diperluas ke relasi 𝑛-ary. Jika kita menganggap 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛
adalah set fuzzy, relasi fuzzy 𝑅 ⊆ 𝑋1 , 𝑋2 , 𝑋3 , … , 𝑋𝑛 dapat dikatakan sebagai himpunan
fuzzy elemen tuple(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) , di mana (𝑥1 ∈ 𝑋1 , 𝑥2 ∈ 𝑋2 , … , 𝑥𝑛 ∈ 𝑋𝑛 )
17
3.3.2 Contoh Relasi Fuzzy
Contoh 3.3 (Gambar 3.16) misalnya, relasi tegas R pada gambar (a) mencerminkan relasi
dalam 𝐴 × 𝐴. Mengekspresikannya dengan fungsi keanggotaan, 𝜇𝑅 (𝑎, 𝑐) = 1, 𝜇𝑅 (𝑏, 𝑎) =
1, 𝜇𝑅 (𝑐, 𝑏) = 1 dan 𝜇𝑅 (𝑐, 𝑑) = 1.
Jika relasi ini diberikan sebagai nilai antara 0 dan 1 seperti pada gambar (b), relasi ini
menjadi relasi fuzzy. Mengekspresikan hubungan fuzzy ini dengan fungsi keanggotaan
menghasilkan,
Definisi (Domain dan Range relasi fuzzy) Ketika relasi fuzzy R didefinisikan dalam set
crisp A dan B, domain dan range relasi ini didefinisikan sebagai:
𝑚𝑎𝑥
𝜇𝑑𝑜𝑚(𝑅) (𝑥) = 𝑦∈𝐵 𝜇𝑅 (𝑥, 𝑦)
𝑚𝑎𝑥
𝜇𝑟𝑎𝑛(𝑅) (𝑥) = 𝑦∈𝐵 𝜇𝑅 (𝑥, 𝑦)
Set A mendukung dom (R) dan dom (𝑅) ⊆ 𝐴. Set B mendukung ran (R) dan
ran (𝑅) ⊆ 𝐵
Diberikan vektor tertentu, jika elemen vektor ini memiliki nilainya antara 0 dan 1, kami
menyebut vektor ini sebagai vektor fuzzy. Matriks fuzzy adalah kumpulan vektor tersebut.
Diberi matriks fuzzy 𝐴 = (𝑎𝑖𝑗 ) dan 𝐵 = (𝑏𝑖𝑗 ), kita dapat melakukan operasi pada matriks
fuzzy ini.
Contoh 3.4 Berikut ini adalah contoh jumlah dan produk maksimum pada fuzzy set A dan
B.
19
Di sini mari kita melihat lebih dekat pada produk 𝐴⦁𝐵 dari A dan B. Misalnya, di baris
pertama dan kolom kedua dari matriks 𝐶 = 𝐴⦁𝐵, nilai 0.1 (𝐶12 = 0,1) dihitung dengan
menerapkan Max Operasi -Min dengan nilai-nilai baris pertama (0.2 , 0.5 dan 0,0) dari 𝐴,
dan nilai-nilai dari kolom kedua (0.1, 0.0 dan 1.0) dari 𝐵.
Dengan cara yang sama 𝐶13 = 0,5 diperoleh dengan menerapkan prosedur perhitungan
yang sama untuk baris pertama (0.2 , 0.5 , 0.0) A dan kolom ketiga 𝐵 (0.0 , 0.5 , 0.1).
Dan untuk semua 𝑖 dan 𝑗, jika 𝑎𝑖𝑗 ≤ 𝑏𝑖𝑗 tahan, matriks 𝐵 lebih besar dari 𝐴.
𝑎𝑖𝑗 ≤ 𝑏𝑖𝑗 ⇔ 𝐴 ≤ 𝐵
Juga ketika 𝐴 ≤ 𝐵 untuk matriks fuzzy arbitrer S dan T, hubungan berikut ini berlaku dari
operasi Max-Product.
𝐴 ≤ 𝐵 ⇔ 𝑆𝐴 ≤ 𝑆𝐵, 𝐴𝑇 ≤ 𝐵𝑇
20
Definisi (Matriks Relasi fuzzy) Jika relasi fuzzy R diberikan dalam bentuk matriks fuzzy,
elemen-elemennya mewakili nilai keanggotaan relasi ini. Yaitu, jika matriks dilambangkan
dengan 𝑀𝑅 , dan nilai keanggotaan oleh
Kita tahu sekarang Relasi adalah salah satu jenis set. Oleh karena itu kita dapat
menerapkan operasi fuzzy set ke relasinya. Kami menganggap 𝑅 ⊆ 𝐴 × 𝐵 dan 𝑆 ⊆ 𝐴 × 𝐵.
(1) Gabungan
∀(𝑥, 𝑦) ∈ 𝐴 × 𝐵
= 𝜇𝑅 (𝑥, 𝑦) ∨ 𝜇𝑅 (𝑥, 𝑦)
Kami biasanya menggunakan tanda ∨ untuk operasi Max. Untuk n relasi, kami
memperluasnya ke yang berikut.
= 𝜇𝑅 (𝑥, 𝑦) ∧ 𝜇𝑅 (𝑥, 𝑦)
Simbol ∧ adalah untuk operasi Min. Dengan cara yang sama, relasi persimpangan untuk n
relasi didefinisikan oleh
21
(3) Komplemen
Relasi komplemen 𝑅̅ untuk relasi fuzzy R harus didefinisikan oleh fungsi keanggotaan
berikut
Matriks hubungan fuzzy 𝑀𝑅∪𝑆 dan 𝑀𝑅∩𝑆 yang sesuai 𝑅 ∪ 𝑆 dan 𝑅 ∩ 𝑆 menghasilkan
berikut ini.
Definisi (Komposisi relasi fuzzy) Dua relasi fuzzy R dan S didefinisikan pada set A, B
dan C. Yaitu, 𝑅 ⊆ 𝐴 × 𝐵, 𝑆 ⊆ 𝐵 × 𝐶. Komposisi 𝑆⦁𝑅 = 𝑆𝑅 dari dua relasi R dan S
diekspresikan oleh relasi dari A ke C, dan komposisi ini didefinisikan sebagai berikut.
22
Untuk (𝑥, 𝑦) ∈ 𝐴 × 𝐵, (𝑦, 𝑧) ∈ 𝐵 × 𝐶
𝑆⦁𝑅 dari elaborasi ini adalah bagian dari 𝐴 × 𝐶. Artinya, 𝑆⦁𝑅 ⊆ 𝐴 × 𝐶. Jika hubungan R
dan S diwakili oleh matriks 𝑀𝑅 dan 𝑀𝑆 , maka matriks 𝑀𝑆⦁𝑅 yang sesuai dengan 𝑆⦁𝑅
adalah diperoleh dari produk 𝑀𝑅 dan 𝑀𝑆 .
𝑀𝑆⦁𝑅 = 𝑀𝑅 ⦁𝑀𝑆
Di sini, kita tidak bisa menebak kemungkinan C ketika A terjadi. Jadi pekerjaan utama kita
sekarang adalah mendapatkan komposisi 𝑆⦁𝑅 ⊆ 𝐴 × 𝐶. Matriks berikut 𝑀𝑆⦁𝑅 mewakili
komposisi ini dan juga diberikan pada (Gbr 3.17).
Menganggap bahwa hubungan R dan S adalah ekspresi aturan yang memandu terjadinya
peristiwa atau fakta. Kemudian kemungkinan terjadinya peristiwa B ketika peristiwa A
terjadi dipandu oleh aturan R. Dan aturan S menunjukkan kemungkinan C saat B ada.
Untuk kasus selanjutnya, kemungkinan C ketika A telah terjadi dapat diinduksi dari aturan
komposisi 𝑆⦁𝑅. Cara ini disebut sebagai "inferensi" yang merupakan proses menghasilkan
informasi baru.
23
3.3.6 𝜶 −cut dari Relasi Fuzzy
Kita telah belajar tentang 𝛼 −cut untuk fuzzy set, dan kita tahu Relasi fuzzy adalah salah
satu jenis fuzzy set. Oleh karena itu, kita dapat menerapkan 𝛼 −cut ke relasi fuzzy.
Definisi (Relasi 𝜶 −cut) Kita dapat memperoleh hubungan 𝛼 −cut dari hubungan fuzzy
dengan mengambil pasangan yang memiliki derajat keanggotaan tidak kurang dari less.
Asumsikan 𝑅 ⊆ 𝐴 × 𝐵, dan 𝑅𝛼 adalah relasi 𝛼 −cut. Kemudian
Definisi (Dekomposisi relasi) Relasi fuzzy dapat dikatakan terdiri dari beberapa 𝑅𝑎
sebagai berikut.
𝑅 = ⋃ 𝛼𝑅𝑎
𝑎
Di sini 𝛼 adalah nilai dalam set level; 𝑅𝑎 adalah relasi 𝛼-cut; 𝛼𝑅𝑎 adalah hubungan fuzzy.
Fungsi keanggotaan 𝛼𝑅𝑎 didefinisikan sebagai,
Dengan demikian kita dapat menguraikan relasi fuzzy R menjadi beberapa 𝛼𝑅𝑎
Contoh 3.8 Relasi R dalam contoh sebelumnya dapat didekomposisi sebagai berikut.
25
Definisi (Proyeksi) Kita dapat memproyeksikan hubungan fuzzy 𝑅 ⊆ 𝐴 × 𝐵 sehubungan
dengan A atau B seperti dengan cara berikut. Untuk semua 𝑥 ∈ 𝐴, 𝑦 ∈ 𝐵
Dalam proyeksi ke A, derajat hubungan terkuat mengenai 𝑎1 adalah 1.0, untuk 𝑎2 adalah
0.8 dan untuk 𝑎3 adalah 1.0.
Definisi (Proyeksi dalam dimensi 𝒏) Sejauh ini telah menjadi proyeksi dalam relasi 2
dimensi. Memperluasnya ke himpunan fuzzy 𝑛-dimensi, asumsikan relasi R didefinisikan
dalam ruang 𝑋1 × 𝑋2 × . . .× 𝑋𝑛 . Memproyeksikan hubungan ini ke subruang dari 𝑋𝑖1 ×
𝑋𝑖2 × . . .× 𝑋𝑖𝑘 , memberikan hubungan yang diproyeksikan:
𝑅𝑋𝑖1×𝑋𝑖2× ...×𝑋𝑖𝑘
𝑀𝑎𝑥
𝜇𝑅𝑋𝑖1×𝑋𝑖2× ...×𝑋𝑖𝑘 (𝑋𝑖1 × 𝑋𝑖2 × . . .× 𝑋𝑖𝑘 ) = 𝑋𝐽1 ,𝑋𝐽2 ,…,𝑋𝐽𝑚 𝜇𝑅 (𝑥1 , 𝑥2 , … , 𝑥𝑛 )
Di sini 𝑋𝐽1 , 𝑋𝐽2 , … , 𝑋𝐽𝑚 mewakili dimensi yang dihilangkan, dan 𝑋𝑖1 × 𝑋𝑖2 × . . .× 𝑋𝑖𝑘
dimensi yang tersisa, dan dengan demikian
Definisi (ekstensi silinder) Sebagai konsep proyeksi yang berlawanan, ekstensi silinder
dimungkinkan. Jika himpunan fuzzy atau relasi fuzzy didefinisikan dalam ruang 𝐴 × 𝐵,
relasi ini dapat diperluas ke 𝐴 × 𝐵 × 𝐶 dan kita dapat memperoleh set fuzzy baru. Set
fuzzy ini ditulis sebagai C(R).
26
𝜇𝐶(𝑅) (𝑎, 𝑏, 𝑐) = 𝜇𝑅 (𝑎, 𝑏)
𝑎 ∈ 𝐴, 𝑏 ∈ 𝐵, 𝑐 ∈ 𝐶
Contoh 3.10 Dalam contoh sebelumnya, relasi 𝑅𝐴 adalah proyeksi dari R ke arah A. Jika
kita meluas lagi ke arah B, kita dapat memiliki relasi yang diperluas 𝐶(𝑅𝐴 ). Sebagai
contoh
𝑅 ⊆ 𝑋1 × 𝑋2 , 𝑆 ⊆ 𝑋2 × 𝑋3
Meskipun kami ingin menerapkan operasi persimpangan antara R dan S, itu tidak mungkin
karena domain R dan S berbeda satu sama lain. Jika kita memperoleh ekstensi silinder
C(R) dan C(S) ke ruang 𝑋1 × 𝑋2 × 𝑋3 , dan kemudian C(R) dan C(S) memiliki domain
yang sama. Kita sekarang dapat menerapkan operasi pada dua set extended C(R) dan C(S).
Oleh karena itu bergabung (atau persimpangan) dari R dan S dapat dihitung dengan
persimpangan C(R) dan C(S).
Proyeksi dan ekstensi silindris sering digunakan untuk membuat domain sama
27
PEMBAHAS : BJ. NOFRIAN KURNIA
Definisi (Ekstensi himpunan fuzzy) Misalkan A dan B adalah himpunan fuzzy dan R
menunjukkan relasi dari A ke B. Relasi ini dapat dinyatakan dengan fungsi f,
𝑥 ∈ 𝐴, 𝑦 ∈ 𝐵
𝑦 = 𝑓(𝑥)𝑜𝑟 𝑥 = 𝑓 −1 (𝑦)
Di sini kami menggunakan istilah "fungsi" tanpa mempertimbangkan kondisi
ketat untuk menjadi suatu fungsi. Maka kita bisa mendapatkan make fuzzy set B 'dalam B
oleh R dan A.
untuk 𝑦 ∈ 𝐵,
𝜇𝑔 (𝑦) = max
−1
[𝜇𝐴 (𝑥)]𝑖𝑓 𝑓 −1 (𝑦) ≠ ∅
𝑥∈𝑓 (𝑦)
Contoh 3.11. Biarkan fuzzy set A menjadi "himpunan orang dengan penyakit menular"
dan himpunan renyah B menjadi "himpunan orang yang telah berhubungan dengan orang
yang terinfeksi". Relasi kontak diberikan oleh R pada Gambar 3.18
28
Pertama untuk b1,
𝑓 −1 (𝑏1 ) = {(𝑎1 , 0.4), (𝑎3 , 0.9)}, max[0.4, 0.9] = 0.9
Definisi (Prinsip ekstensi) Kita dapat menggeneralisasi ekstensi fuzzy set yang telah
dijelaskan sebelumnya. Biarkan X menjadi produk Cartesian dari set universal X = X1 x X2
x ... x Xr dan A1, A2, ..., Ar menjadi set fuzzy di set universal.
Produk Cartesian dari fuzzy set A1, A2, ..., Ar menghasilkan set fuzzy A1 x A2 x ... x Ar
didefinisikan sebagai. . .
0, jika 𝑓 −1 (𝑦) = ∅
𝜇𝐵 (𝑦) = {
max [𝑀𝑖𝑛 (𝜇𝐴1 (𝑥1 ), . . . , 𝜇𝐴𝑟 (𝑥𝑟 ))] , Jika tidak
𝑦=𝑓(𝑥1 ,𝑥2 ,...,𝑥𝑟 )
Definisi (Perpanjangan relasi fuzzy) Untuk himpunan fuzzy yang diberikan, himpunan B
yang jernih dan relasi fuzzy 𝑅 ⊆ 𝐴 × 𝐵, mungkin ada fungsi pemetaan yang menyatakan
hubungan fuzzy R. Fungsi keanggotaan fuzzy set B 'dalam B didefinisikan sebagai berikut:
Untuk 𝑥 ∈ 𝐴, 𝑦 ∈ 𝐵, dan 𝐵 ′ ⊆ 𝐵
𝜇𝐵 (𝑦) = max
−1
[MIN (𝜇𝐴 (𝑥, 𝑦))]
𝑥∈𝑓 (𝑦)
Contoh 3.12 Gambar 3.19 menunjukkan generalisasi lebih lanjut dari contoh pada bagian
sebelumnya. Himpunan fuzzy A merupakan singkatan dari pasien infeksi, dan himpunan B
untuk orang-orang yang telah melakukan kontak dengan pasien tersebut. Tingkat kontak
diberikan oleh
elation R. Untuk menentukan himpunan fuzzy B ', kita perlu proses inferensi. Dalam
kesimpulan ini, perhatikan bahwa operasi Max-Min digunakan sama seperti dalam
komposisi dua hubungan fuzzy. Berikut ini menunjukkan contoh perhitungan untuk
keanggotaan B ’.
Untuk b1,
Min [𝜇𝐴 (𝑎1 ), 𝜇𝑟 (𝑎1 , 𝑏1 )] = Min [0.4, 0.8] = 0.4
Min[𝜇𝐴 (𝑎3 ), 𝜇𝑟 (𝑎3, 𝑏1 )] = Min [0.9, 0.3] = 0.3
Max[0.2, 0.6] = 0.6
⇒𝜇𝐵′ (𝑏2 ) = 0.6
Jadi himpunan fuzzy B 'diperoleh oleh himpunan fuzzy A dan hubungan fuzzy R adalah,
𝐵 ′ = {(𝑏1 , 0.4), (𝑏2 , 0.6), (𝑏3 , 0.4)}
Perpanjangan set fuzzy dan relasi fuzzy juga dimungkinkan di antara beberapa relasi dan
set. Artinya, ketidakjelasan dalam himpunan fuzzy A dapat diperbanyak melalui lebih dari
satu relasi dan set.
Contoh 3.13 Himpunan fuzzy A dapat membuat himpunan fuzzy B’ pada himpunan B
jernih dengan hubungan fuzzy R1 ⊆ A × B, dan B' lagi dapat membuat himpunan fuzzy C
'dari hubungan fuzzy R2 ⊆ B × C.
𝐴 = {(𝑎1 , 0.8), (𝑎2 , 0.3)}
𝐵 = {𝑏1 , 𝑏2 , 𝑏3 }
𝐶 = {𝑐1 , 𝑐2 , 𝑐3 }
Dengan fuzzy set A dan fuzzy relation R1, kita mendapatkan B 'berikut.
B' = {(b1, 0,3), (b2, 0,8), (b3, 0)}
Lagi oleh B' dan R2, kita mendapatkan C’
C' = {(c1, 0,3), (c2, 0,3), (c3, 0,8)}
Kekaburan asli pada set A diperbanyak ke C' melalui B, C, R1 dan R2
3.4.4 Jarak Fuzzy antara Set Fuzzy
Biarkan himpunan universal X menjadi ruang tertentu di mana jarak pseudo-metrik d
diterapkan, dan kemudian karakteristik berikut dipenuhi. Definisi (jarak semu-metrik) Jika
d adalah fungsi pemetaan dari ruang 𝑋 2 ke ℜ+ (bilangan riil positif) dan memegang
properti berikut, itu disebut jarak semu-metrik.
I) 𝑑(𝑥, 𝑥) = 0, ∀ 𝑥 ∈ 𝑋
31
II) 𝑑(𝑥1 , 𝑥2 ) = 𝑑(𝑥2, 𝑥1 ), ∀ 𝑥1, 𝑥2 ∈ 𝑋
III) 𝑑(𝑥1 , 𝑥3 ) ≤ 𝑑(𝑥1, 𝑥2 ) + 𝑑(𝑥2, 𝑥3 ), ∀ 𝑥1, 𝑥2 𝑥3 ∈ 𝑋
Jika kondisi berikut (4) ditambahkan ke jarak pseudo-metrik, itu menjadi jarak metrik.
IV) if 𝑑(𝑥1, 𝑥2 ) = 0, lalu 𝑥1 = 𝑥2
Definisi (Jarak antara set fuzzy) Dalam ruang X, jarak pseudo-metrik d (A, B) antara set
fuzzy A dan B dapat didefinisikan dengan prinsip ekstensi. Jarak d (A, B) diberikan
sebagai set fuzzy.
∀𝛿 ∈ ℜ+ , 𝜇𝑑(𝐴,𝐵) = 𝑀𝑎𝑥 [𝑀𝑖𝑛 (𝜇𝐴 (𝑎), 𝜇𝐵 (𝑏))]
Contoh 3. 14 (Gambar 3.20) menunjukkan jarak fuzzy antara set fuzzy A = {(1, 0,5), (2,
1), (3, 0,3)} dan B B {(2, 0,4), (3, 0,4), (4, 1) }. (Tabel 3.2) menunjukkan prosedur
perhitungan untuk d (A, B) dari A dan B.
Tabel 3.2. Perhitungan fuzzy set d (A, B)
32
(a) Himpunan Fuzzy A dan B
Gambar 3. 20 Himpunan jarak fuzzy
33