Penyusun:
Kresna Oktafianto, M.Si.
i
3 Relasi dan Komposisi Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1 Relasi Crisp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.1.1 Himpunan Product (Product Set) . . . . . . . . . . . . . . . . . . . . . 39
3.2 Definisi Relasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2.1 Definisi Relasi Biner . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2.2 Domain dan Range . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2.3 Pemetaan (Image) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.2.4 Karakteristik Relasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.2.5 Metode-Metode Representasi Relasi . . . . . . . . . . . . . . . . . . 42
3.2.6 Operasi pada Relasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2.7 Sifat-sifat Relasi pada Himpunan Tunggal . . . . . . . . . . . . 45
3.2.8 Relasi Ekuivalen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2.9 Relasi Compatibility . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2.10 Pre-Order Relation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.11 Order Relation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.12 Strict Order Relation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2.13 Perbandingan Relasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3 Relasi Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3.1 Definisi Relasi Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3.2 Domain dan Range Relasi Fuzzy . . . . . . . . . . . . . . . . . . . . . 49
3.3.3 Matriks Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.3.4 Operasi pada Relasi Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.3.5 Komposisi pada Relasi Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3.6 α− cut pada Relasi Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.3.7 Dekomposisi Relasi Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.3.8 Projection Extension (Perluasan Proyeksi) . . . . . . . . . . . . . 55
3.3.9 Cylindrical Extension (Perluasan Silinder) . . . . . . . . . . . . 56
3.3.10 Perluasan pada Himpunan Fuzzy . . . . . . . . . . . . . . . . . . . . 57
3.3.11 Jarak Fuzzy antar Himpunan Fuzzy . . . . . . . . . . . . . . . . . . 59
4 Graf dan Relasi Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.1 Graf Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.1.1 Graf dan Graf Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.1.2 Graf Fuzzy dan Relasi Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.1.3 α−cut dari Graf Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.2 Sifat-sifat dari Relasi Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.2.1 Relasi Refleksif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2.2 Relasi Simetrik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.2.3 Relasi Transitif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.2.4 Transitif Closure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.3 Klasifikasi dari Relasi Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.3.1 Relasi Fuzzy Ekuivalen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.3.2 Relasi Fuzzy Kompatibilitas . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.3.3 Relasi Fuzzy Pre-Order . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.3.4 Relasi Fuzzy Order . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
ii
5 Bilangan Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.1 Konsep Bilangan Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.1.1 Interval . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.1.2 Bilangan Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.1.3 Operasi pada Interval . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.2 Operasi pada Bilangan Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.2.1 Operasi Pada interval α-cut . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.2.2 Operasi Pada Bilangan Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . 80
5.2.3 Perkalian Skalar Interval . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.2.4 Perkalian Skalar Interval α-cut . . . . . . . . . . . . . . . . . . . . . . . 81
5.2.5 Contoh Operasi Penjumlahan pada Bilangan Fuzzy . . . . 81
5.3 Bilangan Fuzzy Segitiga . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.3.1 Interval α−cut pada Bilangan Fuzzy Segitiga . . . . . . . . . . 82
5.3.2 Operasi pada Bilangan Fuzzy Segitiga . . . . . . . . . . . . . . . . 84
5.3.3 Pendekatan Perkalian Bilangan Fuzzy Segitiga . . . . . . . . 87
5.3.4 Pendekatan Pembagian Bilangan Fuzzy Segitiga . . . . . . . 88
5.3.5 Bilangan Fuzzy Trapesium . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
DAFTAR PUSTAKA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
iii
BAB 1
HIMPUNAN FUZZY
Pada bab ini dikaji konsep dan notasi himpunan klasik, kemudian
diperkenalkan konsep himpunan fuzzy. Konsep himpunan fuzzy meru-
pakan generalisasi dari himpunan klasik.
1.1 Himpunan
A⊆X
A*X
x∈A
x∈
/A
A = { a1 , a2 , a3 , · · · , a n }
1
Metode lain untuk menuliskan himpunan adalah dengan meberikan
kondisi spesifik dari elemen-elemen himpunannya. Misalnya, jika elemen-
elemen pada himpunan B memenuhi kondisi P1 , P2 , P3 , · · · , Pn , maka
himpunan B didefiniskan sebagai berikut
B = {b|b memenuhi p1 , p2 , p3 , · · · , pn }
{ Ai |i ∈ I }
A ⊆ B dan B ⊆ A
A dan B memuat elemen yang sama dan keduanya dalah himpunan yang
sama. Relasi ini dinotasikan dengan
A=B
A ⊆ B dan A 6= B
2
maka B mempunyai elemen yang tidak termuat dalam A. Pada kondisi ini,
A disebut himpunan bagian sejati dari B dan relasi ini dinotasikan dengan
A⊂B
1.1.3 Keanggotaan
Definisi (Fungsi keanggotaan) untuk himpunan A, dapat didefin-
isikan fungsi keanggotaan µ A seperti
(
1 jika dan hanya jika x ∈ A
µA =
0 jika dan hanya jika x ∈
/A
Dapat disimpulkan bahwa fungsi µ A memetakan elemen pada himpunan
semesta X ke himpunan {0, 1}.
µ A : X → {0, 1}
| P( A)| = 2| A|
Komplemen
Komplemen relatif himpunan dari himpunan A ke himpunan B
terdiri dari elemen-elemen yang termuat dalam B tetapi tidak dalam A.
3
Komplemen himpunan dapat didefinisikan dengan rumus berikut
B − A = { x | x ∈ B, x ∈
/ A}
A=A
∅ = X
X = ∅
Gabungan
Gabungan dari himpunan A dan B didefinisikan dengan kumpulan
semua elemen-elemen A dan B.
A ∪ B = { x | x ∈ A atau x ∈ B}
A∪∅ = A
4
Irisan
Irisan dari himpunan A dan B terdiri dari elemen-elemen yang
sama-sama termuat dalam kedua himpunan A dan B.
A ∩ B = { x | x ∈ A dan x ∈ B}
A∩X = A
A∩∅ = ∅
A∩B = ∅
π ( A) = { Ai |i ∈ I, Ai ⊆ A}
i Ai 6 = ∅
ii Ai ∩ A j , i 6= j, i, j ∈ I
5
S
iii i∈ I Ai = A
Karakteristik Umum
Berikut diberikan karakteristik operasional gabungan, irisan, dan
komplemen himpunan pada tabel 2.2.
6
Latihan 1.1.3 Kerjakan soal berikut!
X = { a, b, c, d, e, f , g}
A = { a, b, c, d}
r = (ri |i ∈ Nn ), s = (si |i ∈ Nn )
Dengan kata lain, disebut himpunan konveks jika setiap titik pada garis
yang menghubungkan dua titik s dan r di A juga terdapat di A.
7
1.2 Definisi Himpunan Fuzzy
µ A : X → {0, 1}
µ A : X → [0, 1]
dimana [0, 1] adalah bilangan real antara 0 dan 1 (termasuk di dalamnya 0 dan 1).
Oleh karena itu, himpunan fuzzy adalah ”himpunan dengan batas samar” diband-
ingkan dengan himpunan klasik.
Contoh 1.2.2 Pada gambar 1.2.1 dan 1.2.1 menunjukkan perbedaan antara
himpunan klasik dan fuzzy ditunjukkan oleh fungsi keanggotaan masing-masing.
Contoh 1.2.3 Perhatikan himpunan fuzzy ”dua atau lebih”. Dalam hal ini,
himpunan semesta X adalah bilangan real positif.
X = {1, 2, 3, 4, 5, 6, . . .}
8
Gambar 1.3: Grafik representasi himpunan fuzzy
A = {( x, µ A ( x ))}
atau
n
µ A ( xi )
A= ∑ xi
i =1
Misalkan elemen-elemennya kontinu, maka himpunan dapat dituliskan
sebagai berikut:
µ A (x)
Z
A=
x
Untuk membedakan antara himpunan fuzzy dan himpunan klasik, sering
digunakan simbol Ã.
9
”samar” secara tepat, perlu didefinisikan fungsi keanggotaannya seperti pada
gambar di bawah. Ketika merujuk pada ”muda”, dimungkinkan usia yang
dimaksud terletak pada rentang [0, 80] dan dapat dihitung ”usia muda” pada
rentang tersebut sebagai himpunan kontinu.
Sumbu horisontal menunjukkan usia dan yang vertikal merupakan nilai
numerik dari fungsi keanggotaan. Grafik menunjukkan kemungkinan (nilai fungsi
keanggotaan) yang bersesuaian dengan himpunan fuzzy ”muda”. Misalnya, jika
mengikuti definisi ”muda” seperti pada gambar, anak berusia sepuluh tahun dapat
dikatakan muda. Sehingga kemungkinan untuk ”usia sepuluh” termuat dalam
himpunan fuzzy ”muda” adalah 1.0. Juga untuk ”usia dua puluh tujuh” adalah
0.9. Tetapi mungkin tidak dapat dikatakan muda bagi seseorang yang berusia lebih
dari enam puluh tahun dan kemungkinan pada kasus ini adalah 0.
Sekarang jika pernyataan di atas dirubah menjadi ”Jenny masih sangat
muda”. Untuk dapat termuat dalam himpunan ”sangat muda”, usia harus lebih
rendah dari sebelumnya dan grafik bergeser ke arah kiri seperti pada gambar. Jika
didefinisikan himpunan fuzzy seperti itu, hanya orang yang berusia di bawah
empat puluh tahun dapat dimasukkan dalam himpunan ”sangat muda”. Sekarang
kemungkinan orang berusia dua puluh tujuh tahun dalam himpunan ini adalah
0.5.
Sehingga, jika dinotasikan A =”muda” dan B =”sangat muda”,
10
Contoh 1.2.5 Misal didefinisikan sebuah himpuna fuzzy A =
{bilangan real dekat 0}. Batas untuk himpunan bilangan real dekat 0 cukuplah
ambigu. Kemungkinan bilangan real x untuk menjadi anggota himpunan yang
ditentukan dapat didefinisikan dengan fungsi keanggotaan berikut.
1
µ A (x) =
1 + x2
Gambar di atas menunjukkan fungsi keanggotaan. Dapat juga dituliskan dalam
himpunan fuzzy dengan fungsinya.
µ A (x) 1
Z
A= dimana µ A ( x ) =
x 1 + x2
Derajat keanggotaan dari 1 adalah
1
= 0.5
1 + 12
Derajat keanggotaan dari 2 adalah 0.2 dan juga 3 adalah 0.1.
11
1.2.3 Perluasan Himpunan Fuzzy
Definisi 1.2.7 (Himpunan fuzzy tipe-n) Nilai derajat keanggotaan mungkin
masih bersifat tidak pasti (samar). Jika nilai fungsi keanggotaan diberikan oleh
himpunan fuzzy, maka itu adalah himpunan fuzzy tipe-2. Konsep ini dapat diper-
luas hingga himpunan fuzzy tipe-n.
µ A ( x ) = ”muda”
µ A (y) = ”dewasa”
µ A (z) = ∅
Nilai keanggotaan untuk ”muda” dan ”dewasa” adalah juga himpunan fuzzy, dan
dengan demikian himpunan ”tingkat kedewasaan” adalah himpunan fuzzy tipe-2.
Himpunan ”muda” dan ”dewasa” adalah himpunan fuzzy tipe-1. Demikian pula,
jika nilai fungsi keanggotaan dari ”muda” dan ”dewasa” adalah tipe-2, himpunan
”tingkat kedewasaan” adalah tipe-3.
12
Contoh 1.2.10 Pada gambar, terdapat 3 elemen himpunan fuzzy.
µ A ( A1 ) = 0.5
µ A ( A2 ) = 1.0
µ A ( A3 ) = 0.5
13
1.2.4 Relasi antara Himpunan Semesta dan Himpunan
Fuzzy
Jika terdapat sebuah himpunan semesta dan sebuah himpunan
klasik, berarti himpunan tersebut adalah subhimpunan dari himpunan
semesta. Dengan demikian, dapat disimpulkan sebuah himpunan fuzzy
A adalah subhimpunan dari himpunan semesta X.
A1 = {( a, 0.5), (b, 1.0), (c, 0.5)} dan A2 = {( a, 1.0), (b, 1.0), (c, 0.5)}
merupakan subhimpunan X.
A1 ⊆ X, A2 ⊆ X
Support( A) = { x ∈ X |µ A ( x ) > 0}
dan ini adalah himpunan klasik. Tentunya, support dari ”bayi” adalah himpunan
kosong.
14
Tabel 1.2: Contoh himpunan fuzzy
Usia(elemen) bayi muda dewasa paruh-baya
5 0 0 0 0
15 0 0.2 0.1 0
25 0 1 0.9 0
35 0 0.8 1 0
45 0 0.4 1 0.1
55 0 0.1 1 0.2
65 0 0 1 0.6
75 0 0 1 1
85 0 0 1 1
Himpunan klasik ini secara jelas terdefinisi pada rentang usia 10-19
tahun pada himpunan semesta X. Terlihat bahawa himpunan ini adalah
himpunan terbatas dibandingkan dengan X. Demikian juga himpunan
fuzzy ”muda” adalah himpunan terbatas. Ketika diterapkan ”pembatasan
fuzzy” pada himpunan semesta X, akan didapatkan himpunan fuzzy.
Himpunan α-cut
Definisi 1.2.13 (Himpunan α-cut) Himpunan α-cut Aα terdiri dari anggota
yang derajat keanggotaannya tidak kurang dari α.
Aα = { x ∈ X |µ A ( x ) ≥ α}
15
perhatikan bahwa α adalah sembarang. Himpunan α-cut ini merupakan himpunan
klasik.
Contoh 1.2.14 Himpunan α-cut yang diperoleh dari himpunan fuzzy ”muda”
dengan ditentukan α = 0.2 adalah
16
yang berarti ”usia yang dikategorikan muda dengan derajat keanggotaan tidak
kurang dari 0.2”.
Jika α = 0.4 maka
muda0.4 = {25, 35, 45}
A α ⊇ A α0
Λ A = {α|µ A ( x ) = α, α ≥ 0, x ∈ X }
Contoh 1.2.16 Himpunan level dari himpunan fuzzy ”muda” di atas adalah
17
Bilangan Fuzzy
Bilangan real berarti sebuah himpunan yang memuat semua
bilangan real dan Bilangan positif berarti sebuah himpunan bilangan selain
18
bilangan negatif. Bilangan positif kurang dari sama dengan 10 (termasuk 0)
berarti himpunan yang memuat bilangan dari 0 hingga 10. Sehingga
atau (
1, jika 0 ≤ x ≤ 10, x ∈ R
µ A (x) =
0, jika x < 0 atau x > 10
karena masih menggunakan batasan yang jelas, hasil dari fungsi keang-
gotannya adalah 1 atau 0.
| A| = ∑ µ A (x)
x∈X
19
Dengan metode cara tersebut, kardinalitas himpunan fuzzy paruh-
baya (pada contoh sebelumnya) adalah,
µ| A| (| Aα |) = α, α ∈ Λ A
| paruh baya| = {(5, 0.1), (4, 0.2), (3, 0.6), (2, 1)}
Latihan 1.2.22
µ A ( xi )
1. A = ∑in=1 xi adalah bentuk lain dari representasi himpunan
fuzzy.Representasikan himpunan fuzzy berikut mengikuti bentuk tersebut.
20
cm pendek sedang panjang
140 1 0 0
150 1 0 0
160 0.9 0.1 0
170 0.7 1 0
180 0.3 0.8 0.3
190 0 0 1
Sehingga r, s ∈ Rn , λ ∈ [0, 1]
21
7. Tentukan himpunan α − cut dari himpunan di atas untuk α = 0.5, 0.8 dan
0.9.
22
BAB 2
OPERASI PADA HIMPUNAN FUZZY
µ Ā ( x ) = 1 − µ A ( x )
• Gabungan A ∪ B:
µ A∪ B ( x ) = max[µ A ( x ), µ B ( x )]
• Irisan A ∩ B:
µ A∩ B ( x ) = min[µ A ( x ), µ B ( x )]
• Hukum kontradiksi:
A ∩ Ā = ∅
A ∪ Ā = X
23
Tabel 2.1: Operasi Standar Himpunan Fuzzy
No. Sifat Operasi
1 Involusi A=A
2 Komutatif A∪B = B∪A
A∩B = B∩A
3 Assosiatif ( A ∪ B) ∪ C = A ∪ ( B ∪ C )
( A ∩ B) ∩ C = A ∩ ( B ∩ C )
4 Distributif A ∩ ( B ∪ C ) = ( A ∩ B) ∪ ( A ∩ C )
A ∪ ( B ∩ C ) = ( A ∪ B) ∩ ( A ∪ C )
5 Idempoten A∪A = A
A∩A = A
6 Absorpsi A ∪ ( A ∩ B) = A
A ∩ ( A ∪ B) = A
7 Absorpsi oleh X dan ∅ A∪X = X
A∩∅ = ∅
8 Identitas A∪∅ = A
A∩X = A
9 Hukum De Morgan A∩B = A∪B
A∪B = A∩B
10 Rumus Ekuivalen ( A ∪ B) ∩ ( A ∪ B) = ( A ∩ B) ∪ ( A ∩ B)
11 Rumus Beda Simetri ( A ∩ B) ∪ ( A ∩ B) = ( A ∪ B) ∩ ( A ∪ B)
C (µ A ( x )) = 1 − µ A ( x ) atau µ A ( x ) = 1 − µ A ( x )
standar komplemen fungsi ditunjukkan pada gambar 2.1: Pada gambar 2.2
ditunjukkan ilustrasi dari standar komplemen fungsi himpunan. Jika a = 0,
maka C (0) = 1, dan jika a = 1, maka C (1) = 0
24
Gambar 2.1: Standar Komplemen Fungsi
25
Gambar 2.3: Contoh Komplemen Fungsi Aksiomatik Skeleton
26
2.6 Komplemen Fungsi Yager
27
Aksioma U2 U ( a, b) = U (b, a). (Komutatif)
0 0 0 0
Aksioma U3 Jika a ≤ a dan b ≤ b , U ( a, b) ≤ U ( a , b ). Fungsi U meru-
pakan fungsi monotomik.
Aksioma U6 U ( a, a) = a. (Identitas).
Jika w = 1 maka
U1 ( a, b) = min[1, ( a + b)]
Jika w = 2 maka
U2 ( a, b) = min[1, ( a2 + b2 )1/2 ]
Jika w → ∞ maka
28
Tabel 2.2: U1 ( a, b) = min[1, ( a + b)] untuk w = 1
aa
a aa b 0 0.25 0.5
aa
1 1 1 1
0.75 0.75 1 1
0.25 0.25 0.5 0.75
∀ x ∈ X, µ A+̂ B ( x ) = µ A ( x ) + µ B ( x ) − µ A ( x )µ B ( x )
∀ x ∈ X, µ A⊕ B ( x ) = min[1, µ A ( x ) + µ B ( x )]
29
4. Hamacher Sum A ∪ B
µ A ( x ) + µ B ( x ) − (2 − γ ) µ A ( x ) µ B ( x )
∀ x ∈ X, µ A∪ B ( x ) = ,γ ≥ 0
1 − (1 − γ ) µ A ( x ) µ B ( x )
Aksioma I6 I ( a, a) = a. (Identitas).
Jika w = 1 maka
I1 ( a, b) = 1 − min[1, 2 − a − b]
Jika w = 2 maka
30
Gambar 2.7: Visualisasi Irisan Fuzzy
Jika w → ∞ maka
∀ x ∈ X, µ A• B ( x ) = µ A ( x ) • µ B ( x )
31
Tabel 2.7: U∞ ( a, b) = min[ a, b] untuk w → ∞
aa
a aa b 0 0.25 0.5
aa
1 0 0.25 0.5
0.75 0 0.25 0.5
0.25 0 0.25 0.25
∀ x ∈ X, µ A B ( x ) = max[0, µ A ( x ) + µ B ( x ) − 1]
3. Drastic Product A ∩ B
µ A ( x ), jika µ A ( x ) = 1
∀ x ∈ X, µ A∩ B ( x ) = µ B ( x ), jika µ B ( x ) = 1
0, jika µ A ( x ), µ B ( x ) < 1
4. Hamacher Intersection A ∩ B
µ A ( x )µ B ( x )
∀ x ∈ X, µ A∩ B ( x ) = ,γ ≥ 0
γ + (1 − γ)(µ A ( x ) + µ B ( x ) − µ A ( x )µ B ( x ))
A ⊕ B = ( A ∩ B̄) ∪ ( Ā ∩ B)
Definisi 2.9.1 (Disjunctive Sum Sederhana) Definisi dari disjunctive sum pada
himpunan fuzzy menyerupai pada himpunan klasik/crisp.
µ A ( x ) = 1 − µ A ( x ), µ B ( x ) = 1 − µ B ( x )
µ A∩ B ( x ) = min[µ A ( x ), 1 − µ B ( x )]
µ A∩ B ( x ) = min[1 − µ A ( x ), µ B ( x )]
A ⊕ B = ( A ∩ B) ∪ ( A ∩ B)
µ A⊕ B ( x ) = max{min[µ A ( x ), 1 − µ B ( x )], min[1 − µ A ( x ), µ B ( x )]}
32
Gambar 2.8: Disjuctive sum dari dua himpunan
Contoh 2.9.2 Berikut diberikan prosedur menentukan disjunctive sum dari A dan
B
µ A∆B = |µ A ( x ) − µ B ( x )|
33
2.9.3 Simple Difference
Simple difference pada himpunan fuzzy didefinisikan yaitu A −
B = A ∩ B.
µ AθB = max[0, µ A ( x ) − µ B ( x )]
34
2.9.5 Jarak pada Himpunan Fuzzy
Konsep ”jarak” merupakan pengembangan dari difference tetapi
mempunyai perbedaan pada pengukuran matematika dari difference.
Pengukuran jarak didefinisikan sebagai
Jarak Hamming
Jarak Hamming didefinisikan sebagai
n
d( A, B) = ∑ |µ A ( xi ) − µ B ( xi )|
i =1,xi ∈ X
Jarak Euclid
Jarak euclid didefinisikan sebagai berikut
s
n
∑ (µ A (x) − µB (x))
2
e( A, B) =
i =1
35
Jarak Minkowski
Jarak Minkowski didefinisikan sebagai berikut
!1/w
dw ( A, B) = ∑ |µ A (x) − µB (x)|w
x∈X
Secara umum jarak hamming dan jarak euclid merupakan hasil dari jarak
minkowski jika nilai w = 1 dan w = 2.
i T ( x, 0) = 0, T ( x, 1) = x : Kondisi batas
ii T ( x, y) = T (y, x ) : Komutatif
0 0 0 0
iii ( x ≤ x , y ≤ y ) → T ( x, y) ≤ T ( x , y ) : Monotonik
1. Operator Irisan
36
Definisi 2.10.2 (t-conorm(s-norm))
i T ( x, 0) = x, T ( x, 1) = 1 : Kondisi batas
ii T ( x, y) = T (y, x ) : Komutatif
0 0 0 0
iii ( x ≤ x , y ≤ y ) → T ( x, y) ≤ T ( x , y ) : Monotonik
1. Operator Gabungan
x >y : t − norm
x ⊥y : t − conorm
>( a, b) ≤ min[ a, b]
⊥( a, b) ≤ max[ a, b]
⊥( x, y) = 1 − >( x, y)
37
∀ x, y ∈ [0, 1], maka komplemen dari x dan y yaitu
x = 1−x
y = 1−y
x >y = 1 ∓ ( x, y)
x ⊥y = x >y
x >y = x ⊥y
Latihan 2.10.3
1
a µ A (x) = 1+ x
38
BAB 3
RELASI DAN KOMPOSISI FUZZY
A × B = {( a, b)| a ∈ A, b ∈ B} (3.1)
Contoh 3.1.1
A × B = {( a1 , b1 ), ( a1 , b2 ), ( a2 , b1 ), ( a2 , b2 ), ( a3 , b1 ), ( a3 , b2 )}
A × A = {( a1 , a1 ), ( a1 , a2 ), ( a1 , a3 ), ( a2 , a1 ), ( a2 , a2 ), ( a2 , a3 ),
( a3 , a1 ), ( a3 , a2 ), ( a3 , a3 )}
39
3.2 Definisi Relasi
R = {( x, y)| x ∈ A, y ∈ B}
40
R = {( x, y)| x ∈ A, y ∈ B, y = f ( x )} atau f : A → B
ran( R) = f ( A) = { f ( x )| x ∈ A}
∃ x ∈ A, y1 , y2 ∈ B, ( x, y1 ) ∈ R, ( x, y2 ) ∈ R
2. Surjektif
R dikatakan surjektif jika f ( A) = B atau ran( R) = B
41
4. Bijektif (one-to-one correspondence)
R dikatakan bijektif jika memenuhi surjektif dan injektif.
2. Diagram Koordinat
Membuat plot dari setiap anggota A pada sumbu-x, anggota B pada
sumbu-y. Gambar di bawah merupakan relasi x2 + y2 = 4.
3. Matriks
Misalkan A dan B himpunan berhingga m dan n. Asumsi bahwa R
42
relasi antara A dan B yang direpresentasi MR = (mij ).
MR = (mij )
(
1, ( ai , b j ) ∈ R
mij =
0, ( ai , b j ) ∈
/R
i = 1, 2, 3, . . . , m
j = 1, 2, 3, . . . , n
4. Digraph
Metode keempat yaitu directed graph (graf berarah) atau digraph.
Elemen direpresentasikan node, sedangkan relasi antara elemen
direpresentasikan edges berarah.
Contoh 3.2.2
A = {1, 2, 3, 4}
R = {(1, 1), (1, 2), (2, 1), (2, 2), (1, 3), (2, 4), (4, 1)}
43
3.2.6 Operasi pada Relasi
Jika R dan S relasi yang didefinisikan pada ruang yang sama A × B,
maka relasi yang mungkin yaitu:
1. Relasi Gabungan
T = R ∪ S merupakan gabungan R dan S jika
( x, y) ∈ R atau ( x, y) ∈ S, maka ( x, y) ∈ T
2. Relasi Irisan
T = R ∩ S merupakan irisan R dan S jika
( x, y) ∈ R dan ( x, y) ∈ S, maka ( x, y) ∈ T
3. Relasi Komplemen
R = {( x, y) ∈ A × B|( x, y) ∈
/ R}
Jika ( x, y) ∈
/ R, maka ( x, y) ∈ R
4. Relasi Invers
Misal R relasi dari A ke B. Invers R−1 didefinisikan
R−1 = {( x, y) ∈ B × A|( x, y) ∈ R, x ∈ A, y ∈ B}
44
5. Relasi Komposisi
Misalkan R dan S dua relasi yang didefinisikan pada himpunan A, B,
dan C. T dikatakan komposisi dari R dan S
R ⊆ A × B, S ⊆ B × C
T = S•R ⊆ A×C
T = {( x, z)| x ∈ A, y ∈ B, z ∈ C, ( x, y) ∈ R, (y, z) ∈ S}
Sifat-sifat Dasar
1. Relasi Refleksif
Jika ∀ x ∈ A, relasi xRx atau ( x, x ) ∈ R disebut relasi refleksif.
x ∈ A → ( x, x ) ∈ R atau µ R ( x, x ) = 1, ∀ x ∈ A
2. Relasi Simetrik
Untuk setiap x, y ∈ A, jika xRy = yRx, R dikatakan relasi simetrik
jika,
( x, y) ∈ R → (y, x ) ∈ R
µ R ( x, y) = µ R (y, x ), ∀ x, y ∈ A
3. Relasi Transitif
Untuk setiap x, y, z ∈ A maka
( x, y) ∈ R, (y, z) ∈ R → ( x, z) ∈ R
4. Closure
45
Contoh 3.2.3 Jika R didefinisikan pada A, transitif closure dari R yang
sama dengan R∞ (reachability relation)
R ∞ = R ∪ R2 ∪ R3 ∪ . . .
R∞ = {(1, 1), (1, 2), (1, 3), (1, 4), (2, 1), (2, 2), (2, 3), (2, 4), (3, 4)}
1. Relasi Refleksif
x ∈ A → ( x, x ) ∈ R
2. Relasi Simetrik
( x, y) ∈ R → (y, x ) ∈ R
3. Relasi Transitif
( x, y) ∈ R, (y, z) ∈ R → ( x, z) ∈ R
1. Relasi Refleksif
x ∈ A → ( x, x ) ∈ R
2. Relasi Simetrik
( x, y) ∈ R → (y, x ) ∈ R
46
3.2.10 Pre-Order Relation
Untuk setiap x, y, z ∈ A jika relasi R ⊆ A × A memenuhi dua
kondisi berikut maka disebut pre-order relation.
1. Relasi Refleksif
x ∈ A → ( x, x ) ∈ R
2. Relasi Transitif
( x, y) ∈ R, (y, z) ∈ R → ( x, z) ∈ R
1. Relasi Refleksif
x ∈ A → ( x, x ) ∈ R
2. Relasi Antisimetrik
( x, y) ∈ R → (y, x ) ∈
/R
3. Relasi Transitif
( x, y) ∈ R, (y, z) ∈ R → ( x, z) ∈ R
1. Relasi Antirefleksif
x ∈ A → ( x, x ) ∈
/R
2. Relasi Antisimetrik
( x, y) ∈ R → (y, x ) ∈
/R
3. Relasi Transitif
( x, y) ∈ R, (y, z) ∈ R → ( x, z) ∈ R
47
3.2.13 Perbandingan Relasi
Latihan 3.2.4
µR : A × B → [0, 1]
R = {(( x, y), µ R ( x, y))|µ R ( x, y) ≥ 0, x ∈ A, y ∈ B}
Contoh 3.3.2
1. Nyatakan ekspresi relasi fuzzy dan bentuk matriks fuzzy dari gambar relasi
fuzzy berikut!
Penyelesaian:
48
Tabel 3.2: Matriks Fuzzy
a b c d
a 0.0 0.0 0.8 0.0
b 1.0 0.0 0.0 0.0
c 0.0 0.9 0.0 1.0
d 0.0 0.0 0.0 0.0
dom( R) = { x | x ∈ A, y ∈ B, µ R ( x, y) = 1}
ran( R) = {y| x ∈ A, y ∈ B, µ R ( x, y) = 1}
Definisi 3.3.3 Jika relasi fuzzy R didefinisikan pada himpunan fuzzy A dan B,
domain dan range dari relasi didefinisikan sebagai berikut:
49
1. Sum
A + B = max[ aij , bij ]
2. Max Product
A · B = AB = max[min( aik , bkj )]
k
3. Skalar Product
λA dimana 0 ≤ λ ≤ 1
Contoh 3.3.4
1. Diberikan dua buah relasi fuzzy A dan B sebagai berikut. Tentukan sum dan
max product dari relasi himpunan fuzzy A dan B.
a b c a b c
a 0.2 0.5 0.0 a 1.0 0.1 0.0
A= ,B =
b 0.4 1.0 0.1 b 0.0 0.0 0.5
c 0.0 1.0 0.0 c 0.0 1.0 0.1
Penyelesaian:
a b c a b c
a 1.0 0.5 0.0 a 0.2 0.1 0.5
A+B = ,A•B =
b 0.4 1.0 0.5 b 0.4 0.1 0.5
c 0.0 1.0 0.1 c 0.0 0.0 0.5
50
3.3.4 Operasi pada Relasi Fuzzy
Diasumsikan R ⊆ A × B dan S ⊆ A × B.
1. Relasi Gabungan
Gabungan dua relasi R dan S didefinisikan berikut
∀( x, y) ∈ A × B
µ R∪S ( x, y) = max[µ R ( x, y), µS ( x, y)]
= µ R ( x, y) ∨ µS ( x, y)
MR∪S = µ R + µS
2. Relasi Irisan
Irisan dua relasi R dan S didefinisikan berikut
∀( x, y) ∈ A × B
µ R∩S ( x, y) = min[µ R ( x, y), µS ( x, y)]
= µ R ( x, y) ∧ µS ( x, y)
3. Relasi Komplemen
Relasi komplemen R̄ untuk relasi fuzzy R didefinisikan oleh fungsi
keanggotaan berikut:
∀( x, y) ∈ A × B
µ R̄ ( x, y) = 1 − µ R ( x, y)
51
4. Relasi Invers
Relasi invers didefinisikan R−1 yaitu:
∀( x, y) ∈ A × B
µ R−1 (y, x ) = µ R ( x, y)
Contoh 3.3.5
MR a b c MS a b c
1 0.3 0.2 1.0 1 0.3 0.0 0.1
,
2 0.8 1.0 1.0 2 0.1 0.8 1.0
3 0.0 1.0 0.0 3 0.6 0.9 0.3
Penyelesaian:
MR∪S a b c MR∩S a b c
1 0.3 0.2 1.0 1 0.3 0.0 0.1
,
2 0.8 1.0 1.0 2 0.1 0.8 1.0
3 0.6 1.0 0.3 3 0.0 0.9 0.0
MR̄ a b c MS̄ a b c
1 0.7 0.8 0.0 1 0.7 1.0 0.9
,
2 0.2 0.0 0.0 2 0.9 0.2 0.0
3 1.0 0.0 1.0 3 0.4 0.1 0.7
∀( x, y) ∈ A × B, (y, z) ∈ B × C
52
M R −1 1 2 3 MS −1 1 2 3
a 0.3 0.8 0.0 a 0.3 0.1 0.6
,
b 0.2 1.0 1.0 b 0.0 0.8 0.9
c 1.0 1.0 0.0 c 0.1 1.0 0.3
Contoh 3.3.7
S α β γ
R a b c d
a 0.9 0.0 0.3
1 0.1 0.2 0.0 1.0
, b 0.2 1.0 0.8
2 0.3 0.3 0.0 0.2
c 0.8 0.0 0.7
3 0.8 0.9 1.0 0.4
d 0.4 0.2 0.3
Penyelesaian:
S•R α β γ
1 0.4 0.2 0.3
2 0.3 0.3 0.3
3 0.8 0.9 0.8
Rα = {( x, y)|µ R ( x, y) ≥ α, x ∈ A, y ∈ B}
53
Contoh 3.3.9
a b c
1 0.9 0.4 0.0
MR = 2 0.2 1.0 0.4
3 0.0 0.7 1.0
4 0.4 0.2 0.0
Penyelesaian:
a b c a b c
1 1 1 0 1 1 0 0
MR 0.4 = 2 0 1 1 , MR 0.7 = 2 0 1 0
3 0 1 1 3 0 1 1
4 1 0 0 4 0 0 0
a b c a b c
1 1 0 0 1 0 0 0
MR 0.9 = 2 0 1 0 , MR 1.0 = 2 0 1 0
3 0 0 1 3 0 0 1
4 0 0 0 4 0 0 0
54
3.3.7 Dekomposisi Relasi Fuzzy
Definisi 3.3.10 Relasi fuzzy dapat didekomposisi menjadi beberapa Rα sebagai
berikut.
[
R= αRα
α
Keterangan: αα nilai level set, Rα relasi α− cut, αRα relasi fuzzy. Fungsi keang-
gotaan dari αRα didefinisikan sebagai berikut:
µαRα ( x, y) = α • µ Rα ( x, y), ∀( x, y) ∈ A × B
Contoh 3.3.11
Penyelesaian:
1 1 0 1 0 0 1 0 1 0 0 0
0 1 1 0 1 0 0 1 0 0 1 0
MR = 0.4 × ∪ 0.7 × ∪ 0.9 × ∪ 1.0
0 1 1
0 1 1
0 0 1
0 0 1
1 0 0 0 0 0 0 0 0 0 0 0
Proyeksi ke A : µ R A ( x ) = max µ R ( x, y)
y
Proyeksi ke B : µ RB ( x ) = max µ R ( x, y)
x
Contoh 3.3.13
55
aa
A aa B b1 b2 b3
aa
a1 0.1 0.2 1.0
MR =
a2 0.6 0.8 0.0
a3 0.0 1.0 0.3
a1 1.0 b1 b2 b3
MR A = , MRB =
a2 0.8 0.6 1.0 1.0
a3 1.0
µC( R) ( a, b, c) = µ R ( a, b), a ∈ A, b ∈ B, c ∈ C
Contoh 3.3.15
µC( R A ) ( a1 , b1 ) = µ R A ( a1 ) = 1.0
µC( R A ) ( a1 , b2 ) = µ R A ( a1 ) = 1.0
µC( R A ) ( a2 , b1 ) = µ R A ( a2 ) = 0.8
56
b1 b2 b3
a1 1.0 1.0 1.0
MC ( R A ) =
a2 0.8 0.8 0.8
a3 1.0 1.0 1.0
x ∈ A, y ∈ B
y = f ( x ) atau x = f −1 ( x )
0
Untuk menentukan B pada B oleh R dan A,
Contoh 3.3.17
Penyelesaian:
57
Untuk b1
Untuk b2
Untuk b3
f −1 (b3 ) = {( a4 , 0.6)}
⇒ µ B0 (b3 ) = 0.6
Jadi
0
B = {(b1 , 0.9), (b2 , 0.6), (b3 , 0.6)}
Contoh 3.3.19
58
Untuk b2
Untuk b3
Jadi
0
B = {(b1 , 0.4), (b2 , 0.6), (b3 , 0.4)}
Jarak Pseudo-Metrik
Definisi 3.3.20 Jika d merupakan sebuah fungsi pemetaan dari ruang X 2 ke R+
(Bilangan real positif) disebut jarak pseudo-metrik dan memenuhi sifat 1 − 3
berikut :
1. d( x, x ) = 0, ∀ x ∈ X
2. d( x1 , x2 ) = d( x2 , x1 ), ∀ x1 , x2 ∈ X
3. d( x1 , x3 ) ≤ d( x1 , x2 ) + d( x2 , x3 ), ∀ x1 , x2 , x3 ∈ X
4. d( x1 , x2 ) = 0, maka x1 = x2
59
Jarak Antara Himpunan Fuzzy
Definisi 3.3.21 Pada ruang X, jarak pseudo-metrik d( A, B) antara himpunan
fuzzy A dan B dapat didefinisikan dengan prinsip perluasan. Jarak d( A, B)
diberikan himpunan fuzzy berikut:
Contoh 3.3.22
1. Diberikan himpunan fuzzy A = {(1, 0.5), (2, 1), (3, 0.3)} dan B =
{(2, 0.4), (3, 0.4), (4, 1)}. Tentukan jarak d( A, B) dari A ke B.
Penyelesaian:
Latihan 3.3.23
60
R a b c d S a b c d
a 1.0 0.2 0.4 0.0 a 1.0 0.0 0.0 0.4
b 0.0 0.1 0.0 0.9 , b 0.0 0.0 0.4 0.9
c 0.1 0.0 1.0 0.0 c 0.4 0.0 0.1 0.0
d 0.0 0.4 0.0 1.0 d 0.5 1.0 0.0 0.0
R a b c d S a b c
a 0.4 0.0 0.0 1.0 a 0.4 0.1 0.0
b 0.5 0.4 0.9 0.0 , b 0.2 0.0 0.9
c 0.2 0.2 1.0 0.4 c 0.2 0.0 0.5
d 0.0 0.2 0.0 1.0 d 0.1 0.0 0.9
3. Tentukan relasi α− cut dari relasi fuzzy berikut dengan α = 0.4 dan α = 0.8.
R 1 2 3 4
a 0.4 0.0 0.5 0.8
b 0.4 0.0 0.9 0.1
c 0.0 0.4 0.0 0.2
d 0.0 0.8 0.0 1.0
61
R a b c
x 0.0 0.4 0.8
y 0.9 0.9 0.7
z 1.0 0.0 0.5
w 0.0 0.1 0.8
0
5. Tentukan himpunan fuzzy B ⊆ B dengan f ( x ) = x2
A = {(−2, 0.8), (−5, 0.5), (0, 0.8), (1, 1.0), (2, 0.4), (3, 0.1)}
B = y|y = f ( x ), µ B (y) = max µ A ( x )
x,y= f ( x )
62
BAB 4
GRAF DAN RELASI FUZZY
G=(V,E)
V: Himpunan dari vertices. Sebuah vertex juga disebut sebuah node atau
elemen
∀( x, y) ∈ R ⇔ µ R ( x, y) = µG ( x, y) = 1
Berikut diberikan relasi R yang merupakan relasi fuzzy, dan fungsi keang-
gotaan µ R ( x, y) ke µG ( x, y) niali diantara 0 dan 1. Graf tersebut dinamai
63
dengan graf fuzzy.
V : himpunan vertex
e = (V,
Dalam buku ini, G e Ee) diganti dengan G = (V, E) untuk selanjutnya.
Contoh 4.1.1 Pada gambar berikut menunjukkan contoh dari graf fuzzy yang
merepresentasikan relasi fuzzy matriks MG .
MG b1 b2
a1 0.8 0.2
a2 0.3 0.0
a3 1.7 0.4
64
Contoh 4.1.2 Diberikan <+ merupakan bilangan real nonnegatif. Untuk x ∈
<+ dan y ∈ <+ , sebuah relasi R didefinisikan sebagai berikut:
Contoh 4.1.3 Diberikan < merupakan bilangan real. Diberikan < ⊆ < × <
didefinisikan sebagai berikut, untuk x ∈ <, y ∈ <:
µ R ( x, y) = x2 + y2 = 1
Relasi tersebut dapat digambarkan sebagai berikut: sedangkan relasi berikut dapat
µ R ( x, y) = x2 + y2 ≤ 1
65
4.1.3 α−cut dari Graf Fuzzy
Pada pembahasan sebelumnya telah dipelajari mengenai α−cut
relasi fuzzy. Berikut diberikan contoh dari konsep α−cut dari Graf Fuzzy.
relasi crisp dan graf yang ditunjukkan oleh gambar berikut. Jika dinotasikan graf
dari α−cut dari Gα , relasi diantara α dan Gα diberikan
R α1 ⊆ R α2
α1 ≥ α2 ⇒
Gα1 ⊆ Gα2
66
4.2.1 Relasi Refleksif
Untuk setiap x ∈ A, jika µ R ( x, x ) = 1, disebut sebagai relasi
refleksif.
67
4.2.2 Relasi Simetrik
Sebuah relasi R yang didefinisikan A × A disebut simetrik jika
memenuhi kondisi berikut
∀( x, y) ∈ A × A
µ R ( x, y) = µ ⇒ µ R (y, x ) = µ
∀( x, y) ∈ A × A, x 6= y
µ R ( x, y) 6= µ R (y, x ) atau µ R ( x, y) = µ R (y, x ) = 0
∃( x, y) ∈ A × A, x 6= y
µ R ( x, y) 6= µ R (y, x )
∀( x, y) ∈ A × A, x 6= y
µ R ( x, y) > 0 ⇒ µ R (y, x ) = 0
∀( x, y), (y, x ), ( x, z) ∈ A × A
µ R ( x, z) ≥ Maxy [ Min(µ R ( x, y), µ R (y, z))]
Jika menggunakan simbol ∨ untuk Max dan ∧ untuk Min, maka persamaan
kedua menjadi
µ R ( x, z) ≥ ∨y [µ R ( x, y) ∧ µ R (y, z)]
68
Jika relasi fuzzy R direpresentasikan oleh matriks fuzzy MR , ruas kiri
dari persamaan di atas dinyatakan oleh MR dan ruas kanan MR2 . Jadi,
ruas kanan menunjukkan relasi komposisi R. Sehingga persamaan di atas
menjadi
MR ≥ MR2 atau R ⊇ R2
Contoh 4.2.3 Diberikan relasi oleh matriks fuzzy MR dan MR2 yang didapatkan
dari operasi komposisi Max-Min yang ditunukkan oleh gambar di bawah. Untuk
membuktikan bahwa relasi tersebut transitif atau tidak, akan diperiksa untuk semua
elemen pada MR dan MR2 . Sebagai contoh, Untuk ( a, a) diperoleh µ R ( a, a) ≥
µ R2 ( a, a) Untuk ( a, b) diperoleh µ R ( a, b) ≥ µ R2 ( a, b) dapat dilihat MR ≥ MR2
atau R ⊃ R2 . Sehingga relasi fuzzy R mempunyai sifat transitif.
69
4.2.4 Transitif Closure
Diberikan sebuah relasi fuzzy oleh matriks MR , matriks fuzzy MR2
dapat dinyatakan sebagai komposisi R2 yang mana ditentukan melalui
perkalian dari MR .
R ∞ = R ∪ R2 ∪ R3 ∪ . . .
R k = R k +1 , k ≤ n
R ∞ = R ∪ R2 ∪ R3 ∪ . . . ∪ R k , k ≤ n
70
i Relasi refleksif
∀ x ∈ A ⇒ µ R ( x, x ) = 1
ii Relasi Simetrik
∀( x, y) ∈ A × A, µ R ( x, y) = µ ⇒ µ R (y, x ) = µ
Contoh 4.3.2 Diberikan sebuah relasi fuzzy yang dinyatakan dalam matriks.
Relasi fuzzy berikut menunjukkan sifat refleksif, simetrik dan transitif sehingga
disebut sebagai relasi fuzzy ekuivalen.
71
4.3.2 Relasi Fuzzy Kompatibilitas
Definisi 4.3.3 Jika relasi fuzzy R pada himpunan A memenuhi kondisi berikut
maka disebut sebagai relasi fuzzy kompatibilitas atau relasi resemblance.
i Relasi Refleksif
x ∈ A ⇒ µ R ( x, x ) = 1
ii Relasi Simetrik
∀( x, y) ∈ A × A
µ R ( x, y) = µ ⇒ µ R (y, x ) = µ
72
oleh
µ Rα ( x, y) = 1 jika µ R ( x, y) ≥ α, ∀ x, y ∈ Ai
= 0 untuk yang lain
73
i Relasi Refleksif
∀ x ∈ A ⇒ µ R ( x, x ) = 1
ii Relasi Transitif
Jika relasi tertentu termasuk transitif tetapi tidak refleksif, relasi tersebut
disebut ”semi pre order” atau ”fuzzy nonrefleksif pre order”.
74
i Relasi Refleksif
∀ x ∈ A ⇒ µ R ( x, x ) = 1
ii Relasi Antisimetrik
∀( x, y) ∈ A × A
µ R ( x, y) 6= µ R (y, x ) atau µ R ( x, y) = µ R (y, x ) = 0
Contoh 4.3.9 Relasi yang ditunjukkan oleh gambar di bawah merupakan relasi
fuzzy order.
Latihan 4.3.10
1. Diberikan sebuah relasi fuzzy R = {( x, y)|y ≈ x2 , x ∈ R, y ∈ R}. Simbol
≈ berarti ”dekat”. Tunjukkan representasi secara grafik dari relasi tersebut.
75
BAB 5
BILANGAN FUZZY
5.1.1 Interval
Jika interval terdefinisi pada bilangan real R, maka interval tersebut
merupakan subset dari R.Diberikan himpunan A = [ a1 , a3 ], a1 , a3 ∈ R, a1 <
a3 . Himpunan tersebut dapat dinyatakan dalam fungsi keanggotaan
interval yaitu:
0
x < a1
µ A (x) = 1 a1 ≤ x ≤ a3
0 x > a3
Jika a1 = a3 maka intervalnya menjadi sebuah titik yaitu a1 , a1 ] = a1 .
76
interval α-cut pada bilangan fuzzy A ke Aα , diperoleh interval Aα didefin-
isikan sebagai
(α) (α)
A α = [ a1 , a3 ]
Terlihat pula bahwa interval tersebut merupakan interval crisp biasa yang
ditunjukkan pada gambar berikut.
∃ x ∈ R, µ A ( x ) = 1
(α) (α)
Aα = [ a1 , a3 ]
0 0
0 (α ) (α) (α ) (α)
( α < α ) ⇒ ( α1 ≤ α1 , α3 ≥ α3 )
0
( α < α ) ⇒ ( A α ⊆ A α0 )
77
5.1.3 Operasi pada Interval
Operasi bilangan fuzzy dapat digeneralisasikan pada interval crisp.
Diberikan operasi pada interval. ∀ a1 , a3 , b1 , b3 ∈ R dan A = [ a1 , a3 ], B =
[b1 , b3 ] Diasumsikan A dan B bilangan yang dinyatakan sebagai interval,
operasi dasar dari interval yaitu:
1. Addition (Penjumlahan)
[ a1 , a3 ](+)[b1 , b3 ] = [ a1 + b1 , a3 + b3 ]
2. Substraction (Pengurangan)
[ a1 , a3 ](−)[b1 , b3 ] = [ a1 − b3 , a3 − b1 ]
3. Multiplication (Perkalian)
[ a1 , a3 ](•)[b1 , b3 ] = [ a1 • b1 ∧ a1 • b3 ∧ a3 • b1 ∧ a3 • b3 , a1 • b1 ∨ a1 • b3 ∨
a3 • b1 ∨ a3 • b3 ]
4. Division (Pembagian)
5. Invers Interval
−1 1 1 1 1
[ a1 , a3 ] = ∧ , ∨
a1 a3 a1 a3
tidak termasuk kasus a1 = 0 atau a3 = 0
[ a1 , a3 ](•)[b1 , b3 ] = [ a1 • b1 , a3 • b3 ]
78
5’. Invers Interval
−1 1 1
[ a1 , a3 ] = ,
a3 a1
6. Minimum
[ a1 , a3 ](∧)[b1 , b3 ] = [ a1 ∧ b1 , a3 ∧ b3 ]
7. Maksimum
[ a1 , a3 ](∨)[b1 , b3 ] = [ a1 ∨ b1 , a3 ∨ b3 ]
79
5.2.2 Operasi Pada Bilangan Fuzzy
Operasi interval sebelumnya juga dapat diaplikasikan pada
bilangan fuzzy. Diberikan ∀ x, y, z∃ ∈ R
1. Penjumlahan : A(+) B
_
µ A(+) B (z) = (µ A ( x ) ∧ µ B (y))
z= x +y
2. Pengurangan : A(−) B
_
µ A(−) B (z) = (µ A ( x ) ∧ µ B (y))
z= x −y
3. Perkalian : A(•) B
_
µ A(•) B (z) = (µ A ( x ) ∧ µ B (y))
z= x •y
4. Pembagian : A(/) B
_
µ A(/) B ( z ) = (µ A ( x ) ∧ µ B (y))
z= x/y
5. Minimum : A(∧) B
_
µ A(∧) B (z) = (µ A ( x ) ∧ µ B (y))
z= x ∧y
6. Maksimum : A(∨) B
_
µ A(∨) B (z) = (µ A ( x ) ∧ µ B (y))
z= x ∨y
a[b1 , b3 ] = [ a • b1 ∧ a • b3 , a • b1 ∨ a • b3 ]
−4.15[−3.55, 0.21]
80
5.2.4 Perkalian Skalar Interval α-cut
Perkalian skalar interval α-cut pada bilangan fuzzy didefinisikan,
(α) (α)
∀α ∈ [0, 1], b1 , b3 ∈ R
h i h i
(α) (α) (α) (α) (α) (α)
a b1 , b3 = a • b1 ∧ a • b3 , a • b1 ∨ a • b3
Tentukan A(+) B
Untuk ∀ x ∈ A, y ∈ B, z ∈ A(+) B, himpunan fuzzy A(+) B didefinisikan sebagai
berikut:
i. Untuk z < 5,
µ A(+) B (z) = 0
µ A (2) ∧ µ B (3) = 1 ∧ 1 = 1
_
µ A(+) B (5) = (1) = 1
5=2+3
v. z > 7
µ A(+) B (z) = 0
81
5.3 Bilangan Fuzzy Segitiga
A = ( a1 , a2 , a3 )
82
Sehingga
(α) (α)
A α = [ a1 , a3 ]
= [( a2 − a1 )α + a1 , −( a3 − a2 )α + a3 ]
Contoh 5.3.1
1. Diberikan bilangan fuzzy segitiga A = (−5, −1, 1) dan nilai fungsi keang-
gotaan sebagai berikut:
0, x < −5
x +5 , − 5 ≤ x ≤ − 1
4
µ A (x) = 1− x
2 , −1 ≤ x ≤ 1
0, x>1
83
2. Tentukan pula interval α−cut pada himpunan bilangan fuzzy segitiga
dengan α = 0.5!
(0.5) (0.5)
A0.5 = [ a1 , a3 ]
= [(−1 + 5)0.5 − 5, −(1 + 1)0.5 + 1]
= [−3, 0]
3. Operasi max atau min tidak diberikan pada bilangan fuzzy segitiga.
A = ( a1 , a2 , a3 ), B = (b1 , b2 , b3 )
1. Penjumlahan
A(+) B = ( a1 , a2 , a3 )(+)(b1 , b2 , b3 ) = ( a1 + b1 , a2 + b2 , a3 + b3 )
2. Pengurangan
A(−) B = ( a1 , a2 , a3 )(−)(b1 , b2 , b3 ) = ( a1 − b3 , a2 − b2 , a3 − b1 )
3. Simetri
−( A) = (− a3 , − a2 , − a1 )
Contoh 5.3.2
84
0, x < −3
x +3 , − 3 ≤ x ≤ 2
2+3
µ A (x) = 4− x
4−2 , 2≤x≤4
0, x>4
0, y < −1
y +1 , − 1 ≤ y ≤ 0
0+1
µ B (y) = 6− y
6−0 , 0≤y≤6
0, y>6
0, z < −4
z +4
−4 ≤ z ≤ 2
6 ,
µ A(+) B (z) = 10−z
8 , 2 ≤ z ≤ 10
0, z > 10
85
2. Tentukan operasi penjumlahan dan pengurangan interval α-cut pada
himpunan fuzzy segitiga pada contoh 1 sebelumnya!
(α) (α)
A α = [ a1 , a3 ]
= [( a2 − a1 )α + a1 , −( a3 − a2 )α + a3 ]
= [5α − 3, −2α + 4]
(α) (α)
Bα = [b1 , b3 ]
= [(b2 − b1 )α + b1 , −(b3 − b2 )α + b3 ]
= [α − 1, −6α + 6]
Jadi diperoleh 3 titik bilangan fuzzy segitiga (−4, 2, 10) Pengurangan dua
interval α-cut Aα dan Bα diperoleh:
Jadi diperoleh 3 titik bilangan fuzzy segitiga (−9, 2, 5) Apakah hasilnya sama
dengan contoh 1?
86
Untuk z = 8 (hasil dari x (•)y = 2 • 4 atau 4 • 2 dll)
_
µ A(•) B (8) = ( µ A (2) ∧ µ B (4), µ A (4) ∧ µ B (2), . . . )
x (•)y=8
_
= (1 ∧ 1, 0 ∧ 0, . . .) = 1
x (•)y=8
(α) (α)
A α = [ a1 , a3 ]
= [( a2 − a1 )α + a1 , −( a3 − a2 )α + a3 ]
= [α + 1, −2α + 4]
(α) (α)
Bα = [b1 , b3 ]
= [(b2 − b1 )α + b1 , −(b3 − b2 )α + b3 ]
= [2α + 2, −2α + 6]
87
5.3.4 Pendekatan Pembagian Bilangan Fuzzy Segitiga
Contoh 5.3.4 Tentukan operasi pembagian interval α-cut pada himpunan fuzzy
segitiga pada contoh sebelumnya!
(α) (α)
A α = [ a1 , a3 ]
= [( a2 − a1 )α + a1 , −( a3 − a2 )α + a3 ]
= [α + 1, −2α + 4]
(α) (α)
Bα = [b1 , b3 ]
= [(b2 − b1 )α + b1 , −(b3 − b2 )α + b3 ]
= [2α + 2, −2α + 6]
A = ( a1 , a2 , a3 , a4 )
88
Interval α-cut pada Bilangan Fuzzy Trapesium
Interval Aα pada bilangan fuzzy trapesium sebagai berikut ∀α ∈
[0, 1] yaitu:
(α) (α)
A α = [ a1 , a4 ]
= [( a2 − a1 )α + a1 , −( a4 − a3 )α + a4 ]
A = ( a1 , a2 , a3 , a4 ), B = (b1 , b2 , b3 , b4 )
1. Penjumlahan
A(+) B = ( a1 , a2 , a3 , a4 )(+)(b1 , b2 , b3 , b4 )
= ( a1 + b1 , a2 + b2 , a3 + b3 , a4 + b4 )
89
2. Pengurangan
A(−) B = ( a1 , a2 , a3 , a4 )(−)(b1 , b2 , b3 , b4 )
= ( a1 − b4 , a2 − b3 , a3 − b2 , a4 − b1 )
90
Latihan 5.3.6
a. [5, 8](+)[−1, 3]
c. [6, 10](•)[−1, 5]
e. [5, 8]−1
a. A(+) B
b. A(−) B
c. A(•) B
d. A(∨) B
e. A(/) B
91
a. A(+) B
b. A(−) B
c. A(•) B
d. A(/) B
e. A−1
f. A(∨) B
g. A(∧) B
a. A(+) B
b. A(−) B
c. A(•) B
d. A(/) B
e. A−1
f. A(∨) B
g. A(∧) B
92
DAFTAR PUSTAKA
[2] Zimmermann, H. J.(1996). Fuzzy Set Theory and Its Applications, 3rd
edition. Boston:Kluwer Academic Publisher.
93