Program Studi Matematika

Fakultas Matematika dan Ilmu Pengetahuan Alam

Universitas PGRI Ronggolawe Tuban
Jl. Manunggal 61 Tuban, Telp. (0356) 322233, Fax (0356) 331578
Website:www.unirow.ac.id, Email:prospective@unirow.ac.id

Bahan Ajar Teori dan Logika Fuzzy

Penyusun:
Kresna Oktafianto, M.Si.

PROGRAM STUDI MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
ALAM
UNIVERSITAS PGRI RONGGOLAWE (UNIROW) TUBAN
2017
 DAFTAR ISI

DAFTAR ISI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii

1 Himpunan Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Himpunan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Elemen Himpunan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Relasi Antar Himpunan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.3 Keanggotaan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.4 Operasi Himpunan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.5 Partisi Himpunan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.6 Karakteristik Himpunan Klasik . . . . . . . . . . . . . . . . . . . . . . 6
1.1.7 Himpunan Konveks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Definisi Himpunan Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.1 Ekspresi Himpunan Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.2 Contoh-Contoh Himpunan Fuzzy . . . . . . . . . . . . . . . . . . . . 9
1.2.3 Perluasan Himpunan Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.4 Relasi antara Himpunan Semesta dan Himpunan Fuzzy 14
1.2.5 Perluasan Konsep Himpunan Fuzzy . . . . . . . . . . . . . . . . . . 14
2 Operasi pada Himpunan Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1 Operasi Standar Pada Himpunan Fuzzy . . . . . . . . . . . . . . . . . . . . . 23
2.2 Komplemen Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3 Contoh Fungsi Komplemen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4 Contoh Fungsi Komplemen (Aksiomatik Skeleton) . . . . . . . . . . . 25
2.5 Contoh lain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.6 Komplemen Fungsi Yager . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7 Gabungan Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7.1 Aksioma Fungsi Gabungan . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7.2 Contoh Fungsi Gabungan (Gabungan Fungsi Yager) . . . 28
2.7.3 Operasi Gabungan Lainnya . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.8 Irisan Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.8.1 Aksioma Fungsi Irisan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.8.2 Contoh Fungsi Irisan (Irisan Fungsi Yager) . . . . . . . . . . . . 30
2.8.3 Operasi Irisan Lainnya . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.9 Operasi Lain pada Himpunan Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . 32
2.9.1 Disjunctive Sum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.9.2 Disjoint Sum . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.9.3 Simple Difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.9.4 Bounded Difference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.9.5 Jarak pada Himpunan Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . 35
2.10 t-norms dan t-conorms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.10.1 Definisi untuk t-norms dan t-conorms . . . . . . . . . . . . . . . . 36
2.10.2 Dualitas dari t-norms dan t-conorms . . . . . . . . . . . . . . . . . 37

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

1.1.1 Elemen Himpunan

Sebuah himpunan semesta atau semesta pembicaraan X didefin-
isikan sebagai himpunan yang memuat semua kemungkinan anggota dari
masalah yang diberikan. Jika didefinisikan sebuah himpunan A dalam
himpunan semesta X diperoleh hubungan berikut

A⊆X

himpunan A dikatakan termuat dalam himpunan semesta X. Jika A tidak

termuat dalam X, maka dinyatakan sebagai berikut

A*X

Jika sebuah elemen x termuat dalam himpunan A elemen ini disebut

sebagai anggota himpunan yang dinotasikan

x∈A

Jika elemen x tidak termuat dalam himpunan A maka dinotasikan

x∈
/A

Untuk menuliskan sebuah bilangan dengan mendaftarkan elemen-

elemennya, misalnya, elemen a1 , a2 , a3 , · · · , an dapat dituliskan

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 }

Untuk menyatakan ukuran himpunan Euclid dimensi-N, digunakan

jumlah elemen yang termuat ddan disebut kardinalitas. Kardinalitas
himpunan A dinotasikan dengan | A|. Jika kardinalitas | A| adalah bilangan
berhingga, himpunan A adalah himpunan berhingga. Jika | A| tak-
berhingga, A adalah himpunan tak-berhingga. Secara umum, semua titik
pada ruang vektor Euclid dimensi-N adalah elemen dari himpunan semesta
X.

1.1.2 Relasi Antar Himpunan

Sebuah himpunan yang terdiri dari himpunan-himpunan disebut
sebagai keluarga himpunan. Misalnya, keluarga himpunan yang memuat
himpunan A1 , A2 , · · · dituliskan dengan

{ Ai |i ∈ I }

dimana i adalah indeks himpunan dan I adalah himpunan indeks. Jika

semua elemen pada himpunan A adalah juga elemen pada himpunan B, A
adalah himpunan bagian dari B

A ⊆ B jika dan hanya jika x ∈ A ⇒ x ∈ B

Simbol ⇒ berarti ”implikasi”. Jika relasi berikut terpenuhi,

A ⊆ B dan B ⊆ A

A dan B memuat elemen yang sama dan keduanya dalah himpunan yang
sama. Relasi ini dinotasikan dengan

A=B

Jika relasi berikut terpenuhi antara dua himpunan A dan 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

Himpunan yang tidak memiliki elemen disebut himpunan kosong

∅ Himpunan kosong dapat menjadi subhimpunan dari sembarang
himpunan.

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}

Seperti yang diketahui, jumlah elemen pada himpunan A dinotasikan

sebagai kardinalitas | A|. Himpunan kuasa P( A) adalah keluarga himpunan
yang memuat himpunan bagian-himpunan bagian dari himpunan A. Oleh
karena itu jumlah elemen pada himpunan kuasa P( A) adalah

| P( A)| = 2| A|

Contoh 1.1.1 Jika A = { a, b, c}, maka | A| = 3

P( A) = {∅, { a}, {b}, {c}, { a, b}, { a, c}, {b, c}, { a, b, c}}

| P( A)| = 23 = 8

1.1.4 Operasi Himpunan

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}

Jika himpunan B adalah himpunan semesta X, maka komplemen yang

diperoleh adalah komplemen mutlak himpunan A, dimana A = X −
A. Secara umum, komplemen himpunan berarti komplemen mutlak
himpunan. Komplemen himpunan selalu bersifat involutif

A=A

Komplemen dari himpunan kosong adalah himpunan semeste, dan berlaku

sebaliknya.

∅ = 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}

Gabungan dapat didefinisikan antara beberapa himpunan. Misalnya,

gabungan dari himpunan-himpunan dari keluarga himpunan dapat
didefinisikan sebagai berikut.
[
A = { x | x ∈ Ai untuk i ∈ I }
i∈ I

dimana keluarga himpunannya adalah { Ai |i ∈ I }. Gabungan dari

himpunan tertentu A dan himpunan semesta X adalah kembali menjadi
X.
A∪X = X

Gabungan dari himpunan tertentu A dan himpunan kosong ∅ adalah A.

A∪∅ = A

Gabungan dari himpunan A dan komplemen himpunannya adalah

himpunan semesta
A∪A = X

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}

Irisan dapat diperumum untuk himpunan-himpunan dalam keluarga

himpunan.
\
A = { x | x ∈ Ai , ∀i ∈ I }
i∈ I
dimana keluarga himpunannya adalah { Ai |i ∈ I }. Irisan dari himpunan
tertentu A dan himpunan semesta X adalah A.

A∩X = A

Irisan dari himpunan tertentu A dan himpunan kosong ∅ adalah ∅.

A∩∅ = ∅

Irisan dari himpunan A dan komplemen himpunannya adalah himpunan

kosong
A∩A = ∅

Ketika dua himpunan A dan B tidak memiliki kesamaan, disebut saling

lepas. Relasi tersebut terjadi ketika irisan A dan B adalah himpunan kosong

A∩B = ∅

1.1.5 Partisi Himpunan

Definisi 1.1.2 Sebuah dekomposisi himpunan A menjadi himpunan bagian-
himpunan bagian saling lepas yang gabungannya membangun himpunan A
kembali disebut sebagai partisi. Misalkan partisi A adalah π,

π ( A) = { Ai |i ∈ I, Ai ⊆ A}

Maka Ai memenuhi ketiga kondisi berikut.

i Ai 6 = ∅

ii Ai ∩ A j , i 6= j, i, j ∈ I

5
 S
iii i∈ I Ai = A

Jika kondisi kedua tidak terpenuhi, π ( A) menjadi cover atau covering

himpunan A.

1.1.6 Karakteristik Himpunan Klasik

Karakteristik Umum
Berikut diberikan karakteristik operasional gabungan, irisan, dan
komplemen himpunan pada tabel 2.2.

Tabel 1.1: Sifat Himpunan Klasik

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 Absorpsi komplemen A ∪ ( A ∩ B) = A ∪ B
A ∩ ( A ∪ B) = A ∩ B
11 Hukum kontradiksi A∩A = ∅
12 Hukum pengecualian tengah A∪A = X

6
Latihan 1.1.3 Kerjakan soal berikut!

1. Tunjukkan bahwa himpunan-himpunan berikut memenuhi hukum

kontradiksi dan hukum pengecualian tengah.

X = { a, b, c, d, e, f , g}
A = { a, b, c, d}

1.1.7 Himpunan Konveks

Definisi 1.1.4 Istilah konveks berlaku pada himpunan A dalam Rn (ruang vektor
Euclid dimensi-n) jika kondisi berikut ini terpenuhi.

i Sembarang dua titik s dan r didefiniskan di A

r = (ri |i ∈ Nn ), s = (si |i ∈ Nn )

(N adalah himpunan bilangan bulat positif)

ii Untuk sembarang bilangan real λ antara 0 dan 1, titik t termuat dalam A

dimana t adalah
t = (λri + (1 − λ)si |i ∈ Nn )

Gambar 1.1: Himpunan konveks A1 , A2 , A3 dan himpunan non-konveks

A4 , A5 , A6 di R2

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

1.2.1 Ekspresi Himpunan Fuzzy

Fungsi keanggotaan µ A pada himpunan klasik memetakan seluruh
anggota pada himpunan semesta X pada himpunan {0, 1}.

µ A : X → {0, 1}

Definisi 1.2.1 (Fungsi keanggotaan pada himpunan fuzzy) Dalam himpunan

fuzzy, masing-masing elemen dipetakan ke [0, 1] oleh fungsi keanggotaan.

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.

Gambar 1.2: Grafik representasi himpunan klasik

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

Fungsi keanggotaan untuk A =”dua atau lebih” dalam himpunan semesta X

diberikan sebagai berikut:

µ A (1) = 0, µ A (2) = 1, µ A (3) = 0.5, µ A (4) = 0, . . .

Umumnya, jika elemen-elemen diskrit seperti di atas, dapat dituliskan

derajat keanggotaan sebagai berikut

A = {(2, 1.0), (3, 0.5)}

1.0 0.5
A = +
2 3
perhatikan bahwa simbol + bukan berarti penambahan tetapi gabungan.
Secara umum, digunakan

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.

1.2.2 Contoh-Contoh Himpunan Fuzzy

Contoh 1.2.4 Perhatikan pernyataan ”Jenny masih muda”. Pada pernyataan
tersebut, istilah ”muda” adalah samar/tidak pasti. Untuk menggambarkan makna

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”,

µ A (27) = 0.9, µ B (27) = 0.5

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.

Contoh 1.2.6 Himpunan fuzzy lainya dapat didefinisikan sebagai berikut B =

{bilangan real sangat dekat 0} dengan fungsi keanggotaanya
 2
1
µB (x) =
1 + x2
derajat keanggotaan 1 adalah 0.25, 2 adalah 0.04, dan 3 adalah 0.01. Dengan
memodifikasi fungsi keanggotaan di atas, dapat digunakan sebagai fungsi keang-
gotaan himpunan fuzzy A = {bilangan real dekat a} sebagai berikut,
1
µ A (x) =
1 + ( x − a )2

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.

Contoh 1.2.8 Perhatikan himpunan A = ”Tingkat kedewasaan”. Fungsi keang-

gotaan dari himpunan ini memetakan seluruh usia mejadi ”muda”, ”dewasa”, dan
”paruh-baya”(Gambar 1.7).Misalnya, untuk sembarang orang x, y, dan z

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.

Definisi 1.2.9 (Himpunan fuzzy level-k) Istilah ”himpunan level-2” menun-

jukkan himpunan fuzzy yang elemen-elemennya adalah himpunan fuzzy (Gambar
1.8). Istilah ”himpunan level-1” berlaku untuk himpunan fuzzy yang elemen-
elemennya bukan himpunan fuzzy dengan elemen biasa. Demikian pula, istilah
tersebut dapat diturunkan hingga himpunan fuzzy level-k.

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.

Contoh 1.2.11 Misal X = { a, b, c} adalah himpunan semesta.

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

Kumpulan semua subhimpunan X (termasuk himpunan fuzzy) disebut himpunan

kuasa P( X ).

1.2.5 Perluasan Konsep Himpunan Fuzzy

Contoh Himpunan Fuzzy

Contoh 1.2.12 Perhatikan himpunan semesta X yang didefinisikan pada domain
usia.
X = {5, 15, 25, 35, 45, 55, 65, 75, 85}

Dapat didefinisikan beberapa himpunan fuzzy seperti ”bayi”, ”muda”, ”dewasa”

dan ”paruh-baya” dalam X. Derajat keanggotaan dari setiap elemen dalam keempat
himpunan fuzzy tersebut seperti pada Tabel 2.3. Dapat diperoleh sebuah himpunan
yang memuat elemen-elemen dalam A. Himpunan ini disebut ”support” dari A.

Support( A) = { x ∈ X |µ A ( x ) > 0}

Support dari himpunan fuzzy ”muda” adalah,

Support(muda) = {15, 25, 35, 45, 55}

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

Nilai maksimum dari keanggotaan disebut ”puncak”, misalkan ”puncak”

dari himpunan fuzzy adalah 1, himpunan fuzzy tersebut dikatakan ”ternor-
malisasi”. Himpunan ”muda”, ”dewasa” dan ”paruh-baya” adalah
himpunan fuzzy ternormalisasi. Perhatikan himpunan klasik ”remaja”.

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

muda0.2 = {15, 25, 35, 45}

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}

Jika α = 0.8 maka

muda0.8 = {25, 35}
0
Jika terdapat dua himpunan α-cut Aα dan Aα0 dan jika α ≤ α , maka

A α ⊇ A α0

Relasi muda0.2 ⊇ muda0.8

Definisi 1.2.15 (Himpunan Level) Nilai α yang secara eksplisit menunjukkan

nilai dari fungsi keanggotaan, yang berada dalam rentang [0, 1]. Himpunan level
diperoleh dari α yaitu

Λ A = {α|µ A ( x ) = α, α ≥ 0, x ∈ X }

Contoh 1.2.16 Himpunan level dari himpunan fuzzy ”muda” di atas adalah

Λ A = {0, 0.1, 0.2, 0.4, 0.8, 1.0}

Himpunan Fuzzy Konveks

Definisi 1.2.17 (Himpunan fuzzy konveks) Asumsikan himpunan semesta X
didefinisikan di ruang vektor Euclid dimensi-n. Jika semua himpunan α-cut
aadalah konveks, himpunan fuzzy dengan himpunan α-cut tersebut adalah konveks.
Dengan kata lain, jika relasi

µ A (t) ≥ min[µ A (r ), µ A (s)]

dimana t = λr + (1 − λ)s, r, s ∈ Rn , λ ∈ [0, 1]

terpenuhi, himpunan fuzzy A konveks.

Contoh 1.2.18 Pada Gambar di bawah menunjukkan himpunan fuzzy konveks

dan himpunan fuzzy non-konveks.

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

A = bilangan positi f kurang dari sama dengan 10 (termasuk 0)

= { x |0 ≤ x ≤ 10, x ∈ R}

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.

Definisi 1.2.19 (Bilangan fuzzy) Jika himpunan fuzzy merupakan himpunan

konveks dan ternormalisasi, dan fungsi keanggotaannya terdefinisi di R dan
piecewise kontinu, disebut sebagai bilangan fuzzy. Sehingga bilangan fuzzy
(himpunan fuzzy) merepresentasikan interval bilangan real dengan batas fuzzy.

Kardinalitas Himpunan Fuzzy

Guna menunjukkan kardinalitas dari himpunan fuzzy, terdapat
tiga cara untuk mengukur kardinalisatas dari himpunan fuzzy. Pertama,
dapat diperoleh kardinalitas dengan menjumlahkan semua derajat keang-
gotaan. Kardinalitas tersebut disebut kardinalitas skalar.

| A| = ∑ µ A (x)
x∈X

19
 Dengan metode cara tersebut, kardinalitas himpunan fuzzy paruh-
baya (pada contoh sebelumnya) adalah,

| paruh baya| = 0.1 + 0.2 + 0.6 + 1 + 1 = 2.9

Kedua, perbandingan besaran kardinalitas himpunan A dengan himpunan

semesta X
| A|
k Ak =
|X|
Ini disebut sebagai kardinalitas relatif. Dalam himpunan fuzzy paruh-baya

| paruh baya| = 2.9, | X | = 9

2.9
k paruh bayak = = 0.32
9
Metode ketiga dengan menyatakan kardinalitas dalam himpunan fuzzy.

Definisi 1.2.20 (Kardinalitas fuzzy) Misalkan diperoleh himpunan α-cut

(himpunan klasik) Aα , dari A. Banyak elemennya adalah | Aα |. Dengan kata lain,
derajat keanggotaan untuk jumlah elemen di A menjadi | Aα | adalah α Kemudian
derajat keanggotaan dari kardinalitas fuzzy | A| didefinisikan sebagai,

µ| A| (| Aα |) = α, α ∈ Λ A

dimana Aα adalah himpunan α-cut dan Λ A adalah himpunan level.

Contoh 1.2.21 Jika himpunan fuzzy ”paruh-baya” dipotong pada α = 0.1,

terdapat 5 elemen pada himpunan α-cut. Paruh baya0.1 = {45, 55, 65, 75, 85},
| paruh baya0.1 | = 5. Dengan cara yang sama, terdapat 4 elemen pada α = 0.2,
terdapat 3 pada α = 0.6, terdapat 2 pada α = 1. Sehingga kardinalitas fuzzy dari
”paruh-baya” adalah

| 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.

a A = {(2, 1.0), (3, 0.4), (4, 0.5)}

b B = {( a, µ B ( a)), (b, µ B (b)), (c, µ B (c)), (d, µ B (d))}

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

2. Dalam tabel berikut adalah himpunan fuzzy: pendek, sedang, panjang

a Bandingkan support dari masing-masing himpunan.

b Yang manakah himpunan fuzzy ternormalisasi?
c Cari himpunan level dari masing-masing himpunan.
d Bandingkan himpunan α − cut dari masing-masing himpunan dimana
α = 0.5 dan α = 0.3.

3. Tentukan apakah himpunan fuzzy berikut konveks atau tidak.

1
R
a A= µ A ( x ) dimana µ A ( x ) = (1+ x 2 )
1
R
b B= µ B ( x ) dimana µ B ( x ) = (1+10x )1/2

4. Buktikan bahwa semua α − cut dari sembarang himpunan fuzzy A yang

didefinisikan pada Rn adalah konveks jika dan hanya jika

µ A (λr + (1 − λ)s) ≥ min[µ A (r ), µ A (s)]

Sehingga r, s ∈ Rn , λ ∈ [0, 1]

5. Hitung kardinalitas skalar dan kardinalitas fuzzy untuk masing-masing

himpunan fuzzy berikut.

a A = {( x, 0.4), (y, 0.5), (z, 0.9), (w, 1)}

b B = { 0.5
u +
0.8
v + 0.9 0.1
w + x }
µC ( x ) x 2
c C=∑ x dimana µC ( x ) = ( x+ 1 ) , x ∈ {0, 1, 2, . . . , 10}

6. Tunjukkan bahwa himpunan berikut adalah konveks

(
0, x ≤ 10
µ A (x) = f (x) =
− 2 − 1
(1 + ( x − 10) ) , x > 10

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

2.1 Operasi Standar Pada Himpunan Fuzzy

• Komplemen himpunan Ā:

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 = ∅

• Hukum Excluded Middle:

A ∪ Ā = X

Tabel berikut menunjukkan sifat operasi standar himpunan fuzzy.

2.2 Komplemen Fuzzy

Komplemen himpunan fuzzy A dinotasikan A yang berarti negasi

dari A.
Fungsi komplemen C : [0, 1] → [0, 1] merupakan pemetaan fungsi
keanggotaan µ A ( x ) dari himpunan fuzzy A : [0, 1] ke C (µ A ( x )). Syarat
fungsi komplemen fuzzy harus memenuhi:

Aksioma 1 C (0) = 1, C (1) = 0

Aksioma 2 a, b ∈ [0, 1] jika a < b maka C ( a) ≥ C (b)

Aksioma 3 C merupakan fungsi kontinu

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)

Aksioma 4 C involusi, C (C ( a)) = a, ∀ a ∈ [0, 1]

Aksioma 1 dan 2 disebut axiomatik skeleton.

2.3 Contoh Fungsi Komplemen

Dari keempat aksioma tersebut diberikan operasi standar untuk

komplemen sebagai berikut:

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

Gambar 2.2: Ilustrasi dari Standar Komplemen Fungsi Himpunan

2.4 Contoh Fungsi Komplemen (Aksiomatik Skeleton)

Berikut diberikan sebuah fungsi komplemen yang memenuhi

aksiomatik skeleton yaitu:
(
1, untuk a ≤ t
C ( a) =
0, untuk a > t

Axioma 3 dan 4 tidak terpenuhi, jelas bukan fungsi kontinu dan

tidak memenuhi aksioma 4.

25
 Gambar 2.3: Contoh Komplemen Fungsi Aksiomatik Skeleton

2.5 Contoh lain

Berikut diberikan contoh fungsi komplemen yang memenuhi

aksioma 1, 2 dan 3 tetapi tidak memenuhi aksioma keempat.

C ( a) = 0.5(1 + cos πa)

Ketika a = 0.33 maka C (0.33) = 0.75. Sedangkan C (0.75) = 0.15 6= 0.33

sehingga tidak memenuhi aksioma keempat.

Gambar 2.4: Komplemen Fungsi Fuzzy Kontinu C ( a) = 0.5(1 + cos πa)

26
2.6 Komplemen Fungsi Yager

Salah satu komplemen yang terkenal yaitu komplemen fungsi

Yager sebagai berikut:

Cw ( a) = (1 − aw )1/w dimana w ∈ (−1, ∞)

Ketika w = 1, maka fungsi komplemen Yager menjadi fungsi standar

komplemen C ( a) = 1 − a.

Gambar 2.5: Komplemen Fungsi Yager

2.7 Gabungan Fuzzy

2.7.1 Aksioma Fungsi Gabungan

Gabungan dari himpunan fuzzy A dan B didefinisikan

U : [0, 1] × [0, 1] → [0, 1]

µ A∪ B ( x ) = U [µ A ( x ), µ B ( x )]

yang memenuhi ke-6 aksioma gabungan berikut:

Aksioma U1 U (0, 0) = 0, U (0, 1) = 1, U (1, 0) = 1, U (1, 1) = 1. (Kondisi

Batas)

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 U4 U (U ( a, b), c) = U ( a, U (b, c)). (Asosiatif)

Aksioma U5 Fungsi U merupakan fungsi kontinu

Aksioma U6 U ( a, a) = a. (Identitas).

Visualisasi Gabungan Fuzzy

Gambar 2.6: Visualisasi Gabungan Fuzzy

2.7.2 Contoh Fungsi Gabungan (Gabungan Fungsi Yager)

Berikut diberikan fungsi gabungan Yager yaitu:

Uw ( a, b) = min[1, ( aw + bw )1/w ] dimana w ∈ (0, ∞)

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

lim min[1, ( aw + bw )1/w ] = max( a, b)

w→∞

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

Tabel 2.3: U2 ( a, b) = min[1, ( a2 + b2 )1/2 ] untuk w = 2

aa
a aa b 0 0.25 0.5
aa
1 1 1 1
0.75 0.75 0.79 0.9
0.25 0.25 0.35 0.55

Tabel 2.4: U∞ ( a, b) = max[ a, b] untuk w → ∞

aa
a aa b 0 0.25 0.5
aa
1 1 1 1
0.75 0.75 0.75 0.75
0.25 0.25 0.25 0.5

2.7.3 Operasi Gabungan Lainnya

Operasi gabungan lainnya yaitu

1. Probabilistic Sum A+̂ B (Algebraic Sum)

Gabungan fuzzy A+̂ B didefinisikan sebagai

∀ x ∈ X, µ A+̂ B ( x ) = µ A ( x ) + µ B ( x ) − µ A ( x )µ B ( x )

2. Bounded Sum A ⊕ B (Bold Union)

∀ x ∈ X, µ A⊕ B ( x ) = min[1, µ A ( x ) + µ B ( x )]

3. Drastic Sum A∪˙ B

Drastic sum didefinisikan sebagai

 µ A ( x ), jikaµ B ( x ) = 0


∀ x ∈ X, µ A∪˙ B ( x ) = µ B ( x ), jikaµ A ( x ) = 0


 1, untuk yang lain

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 )

2.8 Irisan Fuzzy

2.8.1 Aksioma Fungsi Irisan

Irisan dari himpunan fuzzy A dan B didefinisikan

I : [0, 1] × [0, 1] → [0, 1]

µ A∩ B ( x ) = I [µ A ( x ), µ B ( x )]

yang memenuhi ke-6 aksioma irisan berikut:

Aksioma I1 I (0, 0) = 0, I (0, 1) = 0, I (1, 0) = 0, I (1, 1) = 1. (Kondisi Batas)

Aksioma I2 I ( a, b) = I (b, a). (Komutatif)

0 0 0 0
Aksioma I3 Jika a ≤ a dan b ≤ b , I ( a, b) ≤ I ( a , b ). Fungsi I merupakan
fungsi monotomik.

Aksioma I4 I ( I ( a, b), c) = I ( a, I (b, c)). (Asosiatif)

Aksioma I5 Fungsi I merupakan fungsi kontinu

Aksioma I6 I ( a, a) = a. (Identitas).

Visualisasi Irisan Fuzzy

2.8.2 Contoh Fungsi Irisan (Irisan Fungsi Yager)

Berikut diberikan fungsi irisan Yager yaitu:

Iw ( a, b) = 1 − min[1, ((1 − a)w + (1 − b)w )1/w ] dimana w ∈ (0, ∞)

Jika w = 1 maka
I1 ( a, b) = 1 − min[1, 2 − a − b]

Jika w = 2 maka

U2 ( a, b) = 1 − min[1, ((1 − a)2 + (1 − b)2 )1/2 ]

30
 Gambar 2.7: Visualisasi Irisan Fuzzy

Tabel 2.5: I1 ( a, b) = 1 − min[1, 2 − a − b] untuk w = 1

aa
a aa b 0 0.25 0.5
aa
1 0 0.25 0.5
0.75 0 0 0.25
0.25 0 0 0

Tabel 2.6: U2 ( a, b) = 1 − min[1, ((1 − a)2 + (1 − b)2 )1/2 ] untuk w = 2

aa
a aa b 0 0.25 0.5
aa
1 0 0.25 0.5
0.75 0 0.21 0.44
0.25 0 0 0.1

Jika w → ∞ maka

lim [1 − min[1, ((1 − a)w + (1 − b)w )1/w ]] = min( a, b)

w→∞

2.8.3 Operasi Irisan Lainnya

Operasi irisan lainnya yaitu

1. Algebraic Product A • B (Probabilistic Product)

∀ 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

2. Bounded Product A  B (Bold Intersection)

∀ 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 ))

2.9 Operasi Lain pada Himpunan Fuzzy

2.9.1 Disjunctive Sum

Disjunctive Sum merupakan nama operasi logika dari exclusive OR
yang ditunjukkan pada gambar berikut.

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

A = {( x1 , 0.2), ( x2 , 0.7), ( x3 , 1), ( x4 , 0)}

B = {( x1 , 0.5), ( x2 , 0.3), ( x3 , 1), ( x4 , 0.1)}
A = {( x1 , 0.8), ( x2 , 0.3), ( x3 , 0), ( x4 , 1)}
B = {( x1 , 0.5), ( x2 , 0.7), ( x3 , 0), ( x4 , 0.9)}
A ∩ B = {( x1 , 0.2), ( x2 , 0.7), ( x3 , 0), ( x4 , 0)}
A ∩ B = {( x1 , 0.5), ( x2 , 0.3), ( x3 , 0), ( x4 , 0.1)}
A ⊕ B = ( A ∩ B) ∪ ( A ∩ B) = {( x1 , 0.5), ( x2 , 0.7), ( x3 , 0), ( x4 , 0.1)}

2.9.2 Disjoint Sum

Disjoint sum didefinisikan sebagai berikut

µ A∆B = |µ A ( x ) − µ B ( x )|

Contoh 2.9.3 Dari contoh sebelumnya yaitu

A = {( x1 , 0.2), ( x2 , 0.7), ( x3 , 1), ( x4 , 0)}

B = {( x1 , 0.5), ( x2 , 0.3), ( x3 , 1), ( x4 , 0.1)}
A∆B = {( x1 , 0.3), ( x2 , 0.4), ( x3 , 0), ( x4 , 0.1)}

33
2.9.3 Simple Difference
Simple difference pada himpunan fuzzy didefinisikan yaitu A −
B = A ∩ B.

Gambar 2.9: Difference dari A − B

Contoh 2.9.4 Tentukan A − B dari himpunan berikut

A = {( x1 , 0.2), ( x2 , 0.7), ( x3 , 1), ( x4 , 0)}

B = {( x1 , 0.5), ( x2 , 0.3), ( x3 , 1), ( x4 , 0.1)}
B = {( x1 , 0.5), ( x2 , 0.7), ( x3 , 0), ( x4 , 0.9)}
A − B = A ∩ B = {( x1 , 0.2), ( x2 , 0.7), ( x3 , 0), ( x4 , 0)}

2.9.4 Bounded Difference

Bounded difference pada himpunan fuzzy didefinisikan yaitu

µ AθB = max[0, µ A ( x ) − µ B ( x )]

Contoh 2.9.5 Tentukan AθB dari himpunan berikut

A = {( x1 , 0.2), ( x2 , 0.7), ( x3 , 1), ( x4 , 0)}

B = {( x1 , 0.5), ( x2 , 0.3), ( x3 , 1), ( x4 , 0.1)}
B = {( x1 , 0.5), ( x2 , 0.7), ( x3 , 0), ( x4 , 0.9)}
AθB = {( x1 , 0), ( x2 , 0.4), ( x3 , 0), ( x4 , 0)}

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

Contoh 2.9.6 Tentukan jarak hamming dari himpunan A dan B berikut

A = {( x1 , 0.4), ( x2 , 0.8), ( x3 , 1), ( x4 , 0)}

B = {( x1 , 0.4), ( x2 , 0.3), ( x3 , 0), ( x4 , 0)}

Jarak Hamming dari d( A, B)

d( A, B) = |0| + |0.5| + |1| + |0| = 1.5

Jarak Euclid
Jarak euclid didefinisikan sebagai berikut
s
n
∑ (µ A (x) − µB (x))
2
e( A, B) =
i =1

sedangkan jarak relatif euclid didefinisikan

e( A, B)
ε( A, B) = √
n

Contoh 2.9.7 Tentukan jarak euclid dari himpunan A dan B berikut

A = {( x1 , 0.4), ( x2 , 0.8), ( x3 , 1), ( x4 , 0)}

B = {( x1 , 0.4), ( x2 , 0.3), ( x3 , 0), ( x4 , 0)}

Jarak Euclid dari e( A, B)

p √
e( A, B) = 02 + 0.52 + 12 + 02 = 1.25 = 1.12

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.

2.10 t-norms dan t-conorms

Terdapat dua jenis operator dalam himpunan fuzzy yaitu t-norms

dan t-conorms. Sering kali disebut sebagai triangular-norm dan triangular-
conorm.

2.10.1 Definisi untuk t-norms dan t-conorms

Definisi 2.10.1 (t-norm)

T : [0, 1] × [0, 1] → [0, 1]

0 0
∀ x, y, x , y , z ∈ [0, 1]

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

iv T ( T ( x, y), z) = T ( x, T (y, z)) : Asosiatif

Operator-operator yang memenuhi kondisi t-norm yaitu

1. Operator Irisan

2. Operator Algebraic Product

3. Operator Bounded Product

4. Operator Drastic Product

36
Definisi 2.10.2 (t-conorm(s-norm))

T : [0, 1] × [0, 1] → [0, 1]

0 0
∀ x, y, x , y , z ∈ [0, 1]

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

iv T ( T ( x, y), z) = T ( x, T (y, z)) : Asosiatif

Operator-operator yang memenuhi kondisi t-conorm yaitu

1. Operator Gabungan

2. Operator Algebraic Sum

3. Operator Bounded Sum

4. Operator Drastic Sum

5. Operator Disjoint Sum

Simbol untuk t-norm dan t-conorm yaitu

x >y : t − norm
x ⊥y : t − conorm

Semua fungsi t-norm dan t-conorm memenuhi relasi berikut

>( a, b) ≤ min[ a, b]
⊥( a, b) ≤ max[ a, b]

2.10.2 Dualitas dari t-norms dan t-conorms

0
Berikut diberikan definisi dari > sebagai berikut
0
> ( x, y) = 1 − >(1 − x, 1 − y)

sehingga b=menjadi t-conorm yaitu

⊥( x, y) = 1 − >( x, y)

37
∀ x, y ∈ [0, 1], maka komplemen dari x dan y yaitu

x = 1−x
y = 1−y

sedangkan hasil operasi komplemen yaitu

x >y = 1 ∓ ( x, y)

Berikut diberikan hubungan relasi menurut hukum De Morgan

x ⊥y = x >y
x >y = x ⊥y

Latihan 2.10.3

1. Tunjukkan bahwa himpunan-himpunan berikut tidak memenuhi hukum

kontradiksi dan hukum pengecualian tengah.

1
a µ A (x) = 1+ x

b A = {( a, 0.4), (b, 0.5), (c, 0.9), (d, 1)}

2. Tentukan komplemen, gabungan dan irisan himpunan berikut menggunakan

operator Yager dengan w = 1, 2

a A = {( a, 0.5), (b, 0.9), (c, 0.1), (d, 0.5)}

1
b µ A (x) = 1+ x

3. Hitung komplemen himpunan berikut menggunakan operator komplemen

Yager dengan w = 1, 2

a A = {( a, 0.5), (b, 0.9), (c, 0.3)}

1
b µ A (x) = 1+( x −1)

38
 BAB 3
RELASI DAN KOMPOSISI FUZZY

3.1 Relasi Crisp

3.1.1 Himpunan Product (Product Set)

Diberikan A dan B himpunan tidak kosong, product set atau carte-
sian product A × B didefinisikan,

A × B = {( a, b)| a ∈ A, b ∈ B} (3.1)

Contoh 3.1.1

1. Diberikan A = { a1 , a2 , a3 }, B = {b1 , b2 }. Tentukan cartesian product dari

A × B dan A × A.
Penyelesaian:

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

3.2.1 Definisi Relasi Biner

Definisi 3.2.1 Jika A dan B dua himpunan, relasi biner R merupakan pasangan
terurut ( x, y), x ∈ A dan y ∈ B yaitu

R = {( x, y)| x ∈ A, y ∈ B}

Ketentuan ”x merupakan relasi R dengan y” dinotasikan

( x, y) ∈ R atau xRy dengan R ⊆ A × B

3.2.2 Domain dan Range

Definisi domain dan range

Misalkan R merupakan relasi antara A dan B, domain dan range
pada relasi tersebut didefinisikan,

dom( R) = { x | x ∈ A, ( x, y) ∈ R untuk beberapa y ∈ B}

ran( R) = { x |y ∈ B, ( x, y) ∈ R untuk beberapa x ∈ A}

3.2.3 Pemetaan (Image)

Jika ada elemen tertentu x di A, sehingga dapat ditemukan y di B
disebut pemetaan dari A atau image A.

40
 R = {( x, y)| x ∈ A, y ∈ B, y = f ( x )} atau f : A → B

ran( R) = f ( A) = { f ( x )| x ∈ A}

3.2.4 Karakteristik Relasi

1. One to many
R dikatakan one to many jika,

∃ x ∈ A, y1 , y2 ∈ B, ( x, y1 ) ∈ R, ( x, y2 ) ∈ R

2. Surjektif
R dikatakan surjektif jika f ( A) = B atau ran( R) = B

3. Injektif (into, one-to-one)

R dikatakan injektif jika ∀ x1 , x2 ∈ A jika x1 6= x2 , f ( x1 ) 6= f ( x2 )

41
 4. Bijektif (one-to-one correspondence)
R dikatakan bijektif jika memenuhi surjektif dan injektif.

3.2.5 Metode-Metode Representasi Relasi

1. Bipartigraph
Relasi A dan B direpresentasikan dengan menggambar arcs atau
edges.

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}

3.2.7 Sifat-sifat Relasi pada Himpunan Tunggal

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

Jika beberapa tidak memenuhi relasi refleksif dinamakan irrefleksif.

Jika semua tidak memenuhi relasi refleksif dinamakan antirefleksif.

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

Untuk beberapa x, y ∈ A, ( x, y) ∈ R dan (y, x ) ∈

/ R disebut asimetrik
atau nonsimetrik.
Untuk setiap x, y ∈ A, ( x, y) ∈ R dan (y, x ) ∈
/ R disebut antisimetrik.

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 ∪ . . .

Transitif Closure 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)}

3.2.8 Relasi Ekuivalen

Relasi R ⊆ A × A merupakan relasi ekuivalen jika memenuhi
kondisi berikut:

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

3.2.9 Relasi Compatibility

Relasi Compatibility yaitu relasi ∀ x, y ∈ A yang memenuhi kondisi:

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

3.2.11 Order Relation

Untuk setiap x, y, z ∈ A jika relasi biner R ⊆ A × A memenuhi
kondisi berikut maka disebut order relation.

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

3.2.12 Strict Order Relation

Untuk setiap x, y, z ∈ A jika relasi biner R ⊆ A × A memenuhi
kondisi berikut maka disebut strict order relation.

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

Tabel 3.1: Perbandingan Relasi

Relasi Refleksif Antirefleksif Simetrik Antisimetrik Transitif
Ekuivalen X X X
Compatibility X X
Pre-Order X X
Order X X X
Strict Order X X X

Latihan 3.2.4

1. Tentukan transitif closure dari A = { a, b, c, d} dan R =

{( a, b), (b, c), (c, d), (d, b)}

3.3 Relasi Fuzzy

3.3.1 Definisi Relasi Fuzzy

Definisi 3.3.1 Relasi Fuzzy mempunyai derajat keanggotaan dengan nilai [0, 1].

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:

µ R ( a, c) = 0.8, µ R (b, a) = 1.0, µ R (c, b) = 0.9, µ R (c, d) = 1.0

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

3.3.2 Domain dan Range Relasi Fuzzy

Jika relasi fuzzy R didefinisikan pada himpunan crisp A dan B,
domain dan range dari relasi didefinisikan sebagai berikut:

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:

µdom( R)( x) = max µ R ( x, y)

y∈ B
µran( R)( x) = max µ R ( x, y)
x∈B

3.3.3 Matriks Fuzzy

Jika diberikan vektor tertentu yang anggota vektor bernilai antara
0 dan 1, disebut sebagai vektor fuzzy. Matriks fuzzy merupakan gabungan
beberapa vektor fuzzy.
Diberikan matriks fuzzy A = ( aij ) dan B = (bij ), maka operasi dari
matriks fuzzy sbb:

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

Perhatikan perkalian matriks fuzzy C = A • B untuk C12 = 0.1 didapat dari

0.2 0.5 0.0
min ⇓ 0.1 0.0 1.0
0.1 0.0 0.0 ⇒ max 0.1

Matriks Relasi Fuzzy

Jika sebuah relasi fuzzy R diberikan pada bentuk matriks fuzzy,
anggota dari relasi fuzzy R direpresentasikan nilai keanggotaan dari relasi.
Jika matriks fuzzy dinotasikan MR , dan nilai keanggotaan µ R (i, j), maka
MR = (µ R (i, j)).

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)

Untuk n relasi diperoleh

_
µ R1 ∪ R2 ∪ R3 ∪...∪ Rn ( x, y) = µ Ri ( x, y)
Ri

Jika ekspresi relasi fuzzy dinyatakan dalam bentuk matriks fuzzy

seperti µ R dan µS , maka matriks MR∪S merupakan gabungan matriks
fuzzy dari jumlahan dari matriks µ R dan µS .

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)

Untuk n relasi diperoleh

^
µ R1 ∩ R2 ∩ R3 ∩...∩ Rn ( x, y) = µ Ri ( x, y)
Ri

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

1. Diberikan dua matriks relasi fuzzy MR dan MS . Tentukan

MR∪S , MR∩S , MR̄ , MS̄ , MR−1 dan MS−1 .

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

3.3.5 Komposisi pada Relasi Fuzzy

Definisi 3.3.6 Dua relasi fuzzy R dan S didefinisikan pada himpunan A, B dan C.
Diasumsikan R ⊆ A × B dan S ⊆ B × C. Komposisi S • R = SR didefinisikan,

∀( 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

µS• R ( x, y) = max[min(µ R ( x, y), µS (y, z))]

y
_
= [µ R ( x, y) ∧ µS (y, z)]
y

Contoh 3.3.7

1. Diberikan relasi fuzzy R ⊆ A × B dan S ⊆ B × C yang ditunjukkan pada

tabel berikut. Tentukan S • R!

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

3.3.6 α− cut pada Relasi Fuzzy

Definisi 3.3.8 Untuk menentukan relasi α− cut dari sebuah relasi fuzzy dengan
meletakkan pasangan derajat keanggotaan yang tidak kurang dari α. Diasumsikan
R ⊆ A × B dan Rα merupakan relasi α− cut. Sehingga

Rα = {( x, y)|µ R ( x, y) ≥ α, x ∈ A, y ∈ B}

53
Contoh 3.3.9

1. Diberikan sebuah relasi fuzzy R berikut. Tentukan MR 0.4 , MR 0.7 , MR 0.9 ,

dan MR 1.0 .

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

1. Tentukan dekomposisi dari contoh relasi R sebelumnya!

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
       
       

3.3.8 Projection Extension (Perluasan Proyeksi)

Definisi 3.3.12 Relasi fuzzy R ⊆ A × B dapat diproyeksikan ke A atau B yaitu
sebagai berikut:
∀ x ∈ A, y ∈ B

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

1. Diberikan sebuah relasi R ⊆ A × B. Tentukan proyeksi ke A maupun B.

Penyelesaian:

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

3.3.9 Cylindrical Extension (Perluasan Silinder)

Definisi 3.3.14 Jika sebuah himpunan fuzzy atau relasi fuzzy R didefinisikan
pada ruang A × B, relasi ini dapat diperluas menjadi A × B × C dan diperoleh
himpunan fuzzy baru. Himpunan fuzzy ditulis C ( R).

µC( R) ( a, b, c) = µ R ( a, b), a ∈ A, b ∈ B, c ∈ C

Contoh 3.3.15

1. Pada contoh sebelumnya, relasi R A merupakan proyeksi R ke A. Tentukan

perluasan silinder ke B dengan relasi perluasan C ( R A ). Penyelesaian:

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

3.3.10 Perluasan pada Himpunan Fuzzy

Perluasan pada Himpunan Fuzzy

Definisi 3.3.16 Diberikan A dan B himpunan fuzzy dan R dinotasikan relasi dari
A ke B. Relasi tersebut dapat dinyatakan sebuah fungsi f ,

x ∈ A, y ∈ B

y = f ( x ) atau x = f −1 ( x )
0
Untuk menentukan B pada B oleh R dan A,

y ∈ B, µ B0 (y) = max [µ A ( x )] jika f −1 (y) 6= ∅

x ∈ f −1 ( y )

Contoh 3.3.17

1. Diberikan himpunan fuzzy A yaitu himpunan orang yang menderita

penyakit menular dan himpunan crisp B yaitu himpunan orang yang
berhubungan dengan orang yang terinfeksi. Relasi hubungan dinyatakan
0
oleh R. Tentukan B .

A = {( a1 , 0.4), ( a2 , 0.5), ( a3 , 0.9), ( a4 , 0.6)}

B = {(b1 , b2 , b3 )}

Penyelesaian:

57
 Untuk b1

f −1 (b1 ) = {( a1 , 0.4), ( a3 , 0.9)}, max[0.4, 0.9] = 0.9

⇒ µ B0 (b1 ) = 0.9

Untuk b2

f −1 (b2 ) = {( a2 , 0.5), ( a4 , 0.6)}, max[0.5, 0.6] = 0.6

⇒ µ B0 (b2 ) = 0.6

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)}

Perluasan pada Relasi Fuzzy

Definisi 3.3.18 Jika diberikan himpunan fuzzy A, himpunan crisp B dan relasi
fuzzy R ⊆ A × B, maka dapat diekspresikan fungsi pemetaan relasi fuzzy R.
0
Fungsi keanggotaan himpunan fuzzy B pada B didefinisikan sebagai berikut:
0
Untuk x ∈ A, y ∈ B, dan B ⊆ B

µ B0 (y) = max [min(µ A ( x ), µ R ( x, y))]

x ∈ f −1 ( y )

Contoh 3.3.19

1. Diberikan himpunan fuzzy A yaitu himpunan orang yang menderita

penyakit menular dan himpunan B yaitu himpunan orang yang
berhubungan dengan orang yang terinfeksi. Derajat relasi hubungan diny-
0
atakan oleh R. Tentukan B .
Penyelesaian:
0
Untuk menentukan B akan dicari terlebih dahulu b1 , b2 dan b3 .
Untuk b1

min[µ A ( a1 ), µ R ( a1 , b1 )] = min[0.4, 0.8] = 0.4

min[µ A ( a3 ), µ R ( a3 , b1 )] = min[0.9, 0.3] = 0.3
max[0.4, 0.3] = 0.4 ⇒ µ B0 (b1 ) = 0.4

58
 Untuk b2

min[µ A ( a2 ), µ R ( a2 , b2 )] = min[0.5, 0.2] = 0.2

min[µ A ( a4 ), µ R ( a4 , b2 )] = min[0.6, 0.7] = 0.6
max[0.2, 0.6] = 0.6 ⇒ µ B0 (b2 ) = 0.6

Untuk b3

max min[µ A ( a4 ), µ R ( a4 , b3 )] = max min[0.6, 0.4] = 0.4

⇒ µ B0 (b3 ) = 0.4

Jadi
0
B = {(b1 , 0.4), (b2 , 0.6), (b3 , 0.4)}

3.3.11 Jarak Fuzzy antar Himpunan Fuzzy

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

Jika syarat keempat terpenuhi maka disebut jarak metrik.

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:

∀δ ∈ R+ , µd( A,B) (δ) = max [min(µ A ( a), µ B (b))]

δ=d( A,B)

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:

δ ∈ d( A, B) a∈A b∈B µ A ( a) µ B (b) min max, µ(δ), d( A, B)

0 2 2 1.0 0.4 0.4 0.4
3 3 0.3 0.4 0.3
1 1 2 0.5 0.4 0.4 0.4
2 3 1.0 0.4 0.4
3 2 0.3 0.4 0.3
3 4 0.3 1.0 0.3
2 1 3 0.5 0.4 0.4 1.0
2 4 1.0 1.0 1.0
3 1 4 0.5 1.0 0.5 0.5

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

1. Tentukan komplemen, irisan dan gabungan dari relasi fuzzy R dan S.

2. Tentukan relasi komposisi S • R ⊆ A × C dimana R ⊆ A × B dan S ⊆

B × C yang didefinisikan berikut.

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

4. Diberikan sebuah himpunan fuzzy A dan himpunan crisp B

A = {( x, 0.4), (y, 0.9), (z, 1.0), (w, 0.1)}

B = { a, b, c}
0
Tentukan himpunan fuzzy B ⊆ B dari relasi R ⊂ A × B

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

4.1 Graf Fuzzy

4.1.1 Graf dan Graf Fuzzy

Graf dalam bahasa sehari-hari adalah himpunan vertex atau titik,
simpul, sudut yang dihubungkan oleh penghubung yang dinamakan edge
atau garis, sisi. Definisi Graf : Sebuah graf G didefinisikan sebagai berikut:

G=(V,E)

V: Himpunan dari vertices. Sebuah vertex juga disebut sebuah node atau
elemen

E: Himpunan dari edges. Sebuah edge merupakan himpunan dari

pasangan-pasangan ( x, y) dari sebuah vertex dari V

Sebuah graf merupakan struktur data yang mengekspresikan relasi R ⊆

V × V. Ketika pasangan terurut ( x, y) terdefinisi, pasangan tersebut disebut
edge dengan arah dan dinamai dengan graf berarah. Ketika pasangan tidak
terdefinisi disebut sebagai graf tidak berarah.
Lintasan (path) dari x ke y merupakan sebuah himpunan edge
yang kontinu ketika ( x, a1 ), ( a1 , a2 ), ( a2 , a3 ), . . . , ( an , y) ada. Panjang dari
path merupakan sebuah bilangan dari edge pada path tersebut. Ketika
terdapat sebuah path dari node a ke b pada G, a dan b dikatakan
terhubung/terkoneksi. Jika semua a, b ∈ V pada graf G terhubung, graf
tersebut dikatakan sebagai graf terhubung.
Ketika himpunan A dan B diberikan (termasuk kasus A = B),
diberikan definisi relasi crisp R ⊆ A × B. Untuk x ∈ A, y ∈ B, jika ( x, y) ∈ R
terdapat sebuah edge diantara x dan y. Dengan kata lain,

∀( 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.

Definisi Graf Fuzzy

e = (V, E
G e)

V : himpunan vertex

E : himpunan fuzzy edge diantara vertex

Himpunan V merupakan himpunan fuzzy. Dalam kasus ini, graf tersebut

merepresentasikan relasi fuzzy dari node fuzzy, dan dapat didefinisikan
sebagai berikut
e = (V,
G e Ee)

e = (V,
Dalam buku ini, G e Ee) diganti dengan G = (V, E) untuk selanjutnya.

4.1.2 Graf Fuzzy dan Relasi Fuzzy

Graf Fuzzy merupakan ekspresi relasi fuzzy dan graf fuzzy sering
dinyatakan sebagai matriks fuzzy.

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:

R = {( x, y)| x ≈ y}, R ⊆ <+ × <+

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

ditunjukkan oleh gambar berikut:

µ R ( x, y) = x2 + y2 ≤ 1

Relasi yang kuat(intens) ( x, y) direpresentasikan oleh warna yang gelap.

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.

Contoh 4.1.4 Diberikan A = a, b, c, R ⊆ A × A didefinisikan sebagai berikut:

Untuk himpunan level 0, 0.4, 0.8, 1 jika digunakan operasi α−cut, juga diperoleh

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

4.2 Sifat-sifat dari Relasi Fuzzy

Pada bab sebelumnya, telah dipelajari mengenai relasi refleksif,

simetrik dan transitif. Pada subbab selanjutnya dibahas mengenai sifat-
sifat dari relasi fuzzy. Diasumsikan bahwa relasi fuzzy R didefinisikan oleh
A × A.

66
4.2.1 Relasi Refleksif
Untuk setiap x ∈ A, jika µ R ( x, x ) = 1, disebut sebagai relasi
refleksif.

Contoh 4.2.1 Diberikan himpunan A = 2, 3, 4, 5 merupakan sebuah relasi yang

mana
∀ x, y ∈ A, ”x dekat dengan y”

Pada relasi tersebut, ketika x = y relasi tersebut tepat memenuhi µ R ( x, x ) =

1. Diberikan notasi refleksif pada sebuah matriks sebagai berikut; Jika ∃ x ∈

A, µ R ( x, y) 6= 1 maka relasi tersebut disebut irrefleksif dan jika ∀ x ∈

A, µ R ( x, y) 6= 1 maka disebut antirefleksif.

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

Jika relasi simetrik dinyatakan sebagai matriks, didapatkan matriks

simetrik. Dari contoh sebelumnya diperoleh bahawa relasi ”x dekat dengan
y” merupakan relasi simetrik. Untuk kasus antisimetrik dinyatakan sebagai
berikut:

∀( 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

Dapat juga didefinisikan konsep asimetrik atau nonsimetrik sebagai berikut

∃( x, y) ∈ A × A, x 6= y
µ R ( x, y) 6= µ R (y, x )

Perfect Antisimetrik dapat dinyatakan sebagai kasus khusus dari anti-

simetrik jika memenuhi

∀( x, y) ∈ A × A, x 6= y
µ R ( x, y) > 0 ⇒ µ R (y, x ) = 0

Contoh 4.2.2 Berikut contoh relasi perfect antisimetrik

4.2.3 Relasi Transitif

Relasi transitif didefinisikan sebagai

∀( 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 .

µ R2 ( x.z) = MR • MR = Max [ Min(µ R ( x, y), µ R (y, z))]

Relasi transitif diberikan sebagai R ⊇ R2 dan relasi diantara MR serta MR2

diberikan
M R ≥ M R2
sedangkan relasi R ⊇ R3 dapat diperoleh dengan mengeneralisasikan
pernyataan
R ⊇ Rk , k = 1, 2, 3, . . .
dari sifat closure, transitif closure dari R dinyatakan

R ∞ = R ∪ R2 ∪ R3 ∪ . . .

Secara umum, jika menginginkan perkalian matriks fuzzy (komposisi dari

relasi), persamaan berikut diberikan

R k = R k +1 , k ≤ n

dengan R ⊆ A × A dan kardinalitas dari A adalah n. Jadi R∞ mudah dida-

patkan.

R ∞ = R ∪ R2 ∪ R3 ∪ . . . ∪ R k , k ≤ n

Contoh 4.2.4 Diberikan R, R2 , R3 yang dinyatakan dalam bentuk matriks sebagai

berikut Dimana MR ≥ MR2 sehingga R ⊇ R2 dan relasi transitif dapat dibuktikan.
Karena MR2 = MR3 , maka MR2 = MR3 = . . .. Oleh karena itu, transitif closure
didapatkan R∞ = R ∪ R2 atau MR∞ = MR + MR2 . Dengan catatan bahwa
operasi penjumlahan berimplikasi dengan operator Max.

4.3 Klasifikasi dari Relasi Fuzzy

4.3.1 Relasi Fuzzy Ekuivalen

Definisi 4.3.1 Jika sebuah relasi fuzzy R ⊆ A × A memenuhi kondisi berikut,
dikatakan sebagai relasi fuzzy ekuivalen atau relasi similaritas.

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

iii Relasi Transitif

∀( x, y), (y, z), ( x, z) ∈ A × A, µ R ( x, z) ≥ Max [ Miny [µ R ( x, y), µ R (y, z)]]

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

Jika relasi fuzzy kompatibilitas diberikan pada himpunan A, sebuah partisi

dapat diproses kedalam beberapa bagian himpunan. Bagian himpunan dari
partisi disebut sebagai ”kelas fuzzy kompatibilitas” dan jika diaplikasikan
pada α−cut pada relasi fuzzy kompatibilitas, didapatkan α−cut crisp relasi
kompatibilitas Rα . Sebuah kelas kompatibilitas Ai pada relasi didefinisikan

72
oleh

µ Rα ( x, y) = 1 jika µ R ( x, y) ≥ α, ∀ x, y ∈ Ai
= 0 untuk yang lain

kumpulan dari kelas kompatibilitas dari α− cut disebut α−cover lengkap.

Contoh 4.3.4 Gambar berikut merupakan relasi kompatibilitas dengan α− cut

dan mengekspresikan oleh graf tidak berarah. Dengan α− cut α = 0.7 diperoleh
kelas kompatibilitas a, b, c, d, e dan d, e, f dan kelas cover kompatibilitas himpuanan
A. Pada gambar berikutnya merupakan pohon covering kompatibilitas.

4.3.3 Relasi Fuzzy Pre-Order

Definisi 4.3.5 Diberikan relasi fuzzy R pada himpunan A, jika semua x, y, z ∈ A
relasi disebut relasi pre-order.

73
i Relasi Refleksif
∀ x ∈ A ⇒ µ R ( x, x ) = 1

ii Relasi Transitif

∀( x, y), (y, z), ( x, z) ∈ A × A

µ R ( x, z) ≥ Max [ Miny (µ R ( x, y), µ R (y, z))]

Jika relasi tertentu termasuk transitif tetapi tidak refleksif, relasi tersebut
disebut ”semi pre order” atau ”fuzzy nonrefleksif pre order”.

Contoh 4.3.6 Berikut diberikan relasi semi pre-order

Jika fungsi keanggotaan dari relasi µ R ( x, x ) = 0 untuk semua x, maka

disebut fuzzy antirefleksif pre-order.

Contoh 4.3.7 Matriks berikut merupakan matriks fuzzy antirefleksif pre-order.

4.3.4 Relasi Fuzzy Order

Definisi 4.3.8 Jika relasi R memenuhi syarat berikut untuk semua x, y, z ∈ A
maka disebut sebagai relasi fuzzy 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

iii Relasi Transitif

∀( x, y), (y, z), ( x, z) ∈ A × A

µ R ( x, z) ≥ Max [ Miny (µ R ( x, y), µ R (y, z))]

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.

2. Tunjukkan bahwa relasi fuzzy berikut merupakan relasi ekuivalen.

3. Tunjukkan bahwa relasi yang ditunjukkan pada contoh 4.3.9 merupakan

relasi fuzzy order.

75
 BAB 5
BILANGAN FUZZY

5.1 Konsep 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 .

5.1.2 Bilangan Fuzzy

Bilangan fuzzy dinyatakan sebagai himpunan fuzzy yang didefin-
isikan sebagai interval fuzzy pada bilangan real R. Karena batas interval
tak diketahui, interval tersebut juga merupakan himpunan fuzzy. Secara
umum interval fuzzy direpresentasikan oleh titik akhir a1 , a3 dan sebuah
titik puncak a2 yaitu [ a1 , a2 , a3 ] yang ditunjukkan pada gambar berikut.
Operasi α-cut dapat juga diterapkan pada bilangan fuzzy. Jika dinotasikan

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.

Definisi 5.1.1 Bilangan fuzzy A adalah kuantitas A yang memenuhi kondisi:

a. Himpunan fuzzy konveks dan ternormalisasi

∃ x ∈ R, µ A ( x ) = 1

b. Support A merupakan himpunan terbatas

c. α-cut dari A merupakan interval tertutup

(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)

[ a1 , a3 ](/)[b1 , b3 ] = [ a1 /b1 ∧ a1 /b3 ∧ a3 /b1 ∧ a3 /b3 , a1 /b1 ∨ a1 /b3 ∨

a3 /b1 ∨ a3 /b3 ]

tidak termasuk kasus b1 = 0 atau b3 = 0

5. Invers Interval  
−1 1 1 1 1
[ a1 , a3 ] = ∧ , ∨
a1 a3 a1 a3
tidak termasuk kasus a1 = 0 atau a3 = 0

Jika himpunan A dan B didefinisikan pada bilangan real positif R+ , maka

operasi perkalian, pembagian dan invers interval ditulis sebagai berikut:

3’. Multiplication (Perkalian)

[ a1 , a3 ](•)[b1 , b3 ] = [ a1 • b1 , a3 • b3 ]

4’. Division (Pembagian)

[ 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 ]

Contoh 5.1.2 Diberikan dua interval A dan B

A = [3, 5], B = [−2, 7]

A(+) B = [3 − 2, 5 + 7] = [1, 12]

A(−) B = [3 − 7, 5 − (−2) = [−4, 7]
A(•) B = [3 • (−2) ∧ 3 • 7 ∧ 5 • (−2) ∧ 5 • 7, 3 • (−2) ∨ 3 • 7 ∨
5 • (−2) ∨ 5 • 7]
= [−10, 35]
A(/) B = [3/(−2) ∧ 3/7 ∧ 5/(−2) ∧ 5/7, 3/(−2) ∨ 3/7 ∨
5/(−2) ∨ 5/7]
= [−2.5, 5/7]
   
−1 −1 1 1 1 1 1 1
B = [−2, 7] = ∧ , ∨ = − ,
−2 7 −2 7 2 7

5.2 Operasi pada Bilangan Fuzzy

5.2.1 Operasi Pada interval α-cut

Jika interval α-cut pada bilangan fuzzy A = [ a1 , a3 ] didefinisikan
(α) (α) (α) (α)
Aα = [ a1 , a3 ], ∀α ∈ [0, 1], a1 , a3 , a1 , a3 ∈R
Jika interval α-cut pada bilangan fuzzy B = [b1 , b3 ] didefinisikan
(α) (α) (α) (α)
Bα = [b1 , b3 ], ∀α ∈ [0, 1], b1 , b3 , b1 , b3 ∈R
Operasi antara Aα dan Bα dideskripsikan sebagai berikut:
h i h i h i
(α) (α) (α) (α) (α) (α) (α) (α)
a1 , a3 (+) b1 , b3 = a1 + b1 , a3 + b3
h i h i h i
(α) (α) (α) (α) (α) (α) (α) (α)
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

5.2.3 Perkalian Skalar Interval

Perkalian skalar a ∈ R yaitu

a[b1 , b3 ] = [ a • b1 ∧ a • b3 , a • b1 ∨ a • b3 ]

Contoh 5.2.1 Tentukan perkalian skalar himpunan interval berikut:

−4.15[−3.55, 0.21]

−4.15[−3.55, 0.21] = [(−4.15) • (−3.55) ∧ (−4.15) • (0.21),

(−4.15) • (−3.55) ∨ (−4.15) • (0.21)]
= [14.73 ∧ −0.87, 14.73 ∨ −0.87]
= [−0.87, 14.73]

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

5.2.5 Contoh Operasi Penjumlahan pada Bilangan Fuzzy

Contoh 5.2.2 Diberikan dua himpunan fuzzy A dan B

A = (2, 1), (3, 0.5), B = (3, 1), (4, 0.5)

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

ii. z = 5 (hasil dari x + y = 2 + 3)

µ A (2) ∧ µ B (3) = 1 ∧ 1 = 1
_
µ A(+) B (5) = (1) = 1
5=2+3

iii. z = 6 (hasil dari x + y = 3 + 3 atau x + y = 2 + 4)

µ A (3) ∧ µ B (3) = 0.5 ∧ 1 = 0.5

µ A (2) ∧ µ B (4) = 1 ∧ 0.5 = 0.5
_
µ A(+) B (6) = (0.5, 0.5) = 0.5
6=3+3,6=2+4

iv. z = 7 (hasil dari x + y = 3 + 4)

µ A (3) ∧ µ B (4) = 0.5 ∧ 0.5 = 0.5

_
µ A(+) B (7) = (0.5) = 0.5
7=3+4

v. z > 7
µ A(+) B (z) = 0

Jadi A(+) B = (5, 1), (6, 0.5), (7, 0.5)

81
5.3 Bilangan Fuzzy Segitiga

Salah satu bentuk bilangan fuzzy yang terkenal yaitu Bilangan

Fuzzy Segitiga. Definisi bilangan fuzzy segitiga: Merupakan bilangan fuzzy
yang direpresentasikan dengan 3 titik sebagai berikut:

A = ( a1 , a2 , a3 )

Yang representasi dinyatakan pada fungsi keanggotaan:




 0, x < a1
 x − a1 , a ≤ x ≤ a


a2 − a1 1 2
µ A (x) = a − x
a3 − a2 , a 2 ≤ x ≤ a 3
 3



x > a3

 0,

5.3.1 Interval α−cut pada Bilangan Fuzzy Segitiga

Interval Aα diperoleh sebagai berikut ∀α ∈ [0, 1] dari
(α) (α)
a1 − a1 a3 − a3
= α, =α
a2 − a1 a3 − a2
Dari persamaan di atas diperoleh,
(α)
a1 = ( a2 − a1 ) α + a1
(α)
a3 = −( a3 − a2 )α + 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]

5.3.2 Operasi pada Bilangan Fuzzy Segitiga

Beberapa sifat penting pada operasi pada bilangan fuzzy segitiga
sebagai berikut:

1. Hasil dari penjumlahan dan pengurangan antara bilangan fuzzy

segitiga juga mengahasilkan bilangan fuzzy segitiga.

2. Hasil dari perkalian dan pembagian tidak merupakan bilangan fuzzy

segitiga.

3. Operasi max atau min tidak diberikan pada bilangan fuzzy segitiga.

Andaikan bilangan fuzzy segitiga A dan B didefinisikan sebagai

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

1. Diberikan himpunan fuzzy segitiga A = (−3, 2, 4) dan B = (−1, 0, 6).

A(+) B = (−4, 2, 10)

A(−) B = (−9, 2, 5)

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]

Penjumlahan dua interval α-cut Aα dan Bα diperoleh:

Aα (+) Bα = [6α − 4, −8α + 10]

Untuk α = 0 dan α = 1 maka

A0 (+) B0 = [−4, 10], A1 (+) B1 = [2, 2] = 2

Jadi diperoleh 3 titik bilangan fuzzy segitiga (−4, 2, 10) Pengurangan dua
interval α-cut Aα dan Bα diperoleh:

Aα (−) Bα = [11α − 9, −3α + 5]

Untuk α = 0 dan α = 1 maka

A0 (−) B0 = [−9, 5], A1 (−) B1 = [2, 2] = 2

Jadi diperoleh 3 titik bilangan fuzzy segitiga (−9, 2, 5) Apakah hasilnya sama
dengan contoh 1?

3. Diberikan himpunan fuzzy segitiga A = (1, 2, 4) dan B = (2, 4, 6).

Tentukan A(•) B!



 0, x<1

x − 1, 1≤x≤2


µ A (x) =


 − 21 x + 2, 2 ≤ x < 4

0, x≥4





 0, y<2

 1 y − 1, 2 ≤ y ≤ 4

2
µ B (y) =


 − 12 y + 3, 4 ≤ y ≤ 6

0, y>6



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

Dan seterusnya sehingga diperoleh A(•) B ∼

= (2, 8, 24)

5.3.3 Pendekatan Perkalian Bilangan Fuzzy Segitiga

Contoh 5.3.3 Tentukan operasi perkalian interval α-cut pada himpunan fuzzy
segitiga pada contoh sebelumnya!

A = (1, 2, 4), B = (2, 4, 6)

(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]

Perkalian dua interval α-cut Aα dan Bα diperoleh:

Aα (•) Bα = [α + 1, −2α + 4](•)[2α + 2, −2α + 6]

= [(α + 1)(2α + 2), (−2α + 4)(−2α + 6)]
= [2α2 + 4α + 2, 4α2 − 20α + 24]

Untuk α = 0 dan α = 1 maka

A0 (•) B0 = [2, 24], A1 (•) B1 = [8, 8] = 8

Jadi diperoleh pendekatan 3 titik bilangan fuzzy segitiga A(•) B ∼

= (2, 8, 24)

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!

A = (1, 2, 4), B = (2, 4, 6)

(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]

Pembagian dua interval α-cut Aα dan Bα diperoleh:

Aα (/) Bα = [α + 1, −2α + 4](/)[2α + 2, −2α + 6]

= [(α + 1)/(−2α + 6), (−2α + 4)/(2α + 2)]

Untuk α = 0 dan α = 1 maka

1 4 2 2
A0 (/) B0 = [ , ] = [0.17, 2], A1 (/) B1 = [ , ] = 0.5
6 2 4 4
Jadi diperoleh pendekatan 3 titik bilangan fuzzy segitiga A(/) B ∼
= (0.17, 0.5, 2)

5.3.5 Bilangan Fuzzy Trapesium

Definisi bilangan fuzzy trapesium: Merupakan bilangan fuzzy
yang direpresentasikan oleh 4 titik sebagai berikut:

A = ( a1 , a2 , a3 , a4 )

Yang representasi dinyatakan pada fungsi keanggotaan:



 0, x < a1

 x−a
 a2 −a11 , a1 ≤ x ≤ a2



µ A (x) = 1, a2 ≤ x ≤ a3

 a4 − x , a 3 ≤ x ≤ a 4



 a4 − a3

0, x > 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 ]

Operasi pada Bilangan Fuzzy Trapesium

Beberapa sifat penting pada operasi pada bilangan fuzzy trapesium
sebagai berikut:

1. Penjumlahan dan pengurangan antara bilangan fuzzy trapesium juga

menghasilkan bilangan fuzzy trapesium.

2. Hasil dari perkalian dan pembagian tidak merupakan bilangan fuzzy

trapesium.

3. Operasi max atau min tidak selalu mengahsilkan bilangan fuzzy

trapesium.

Andaikan bilangan fuzzy trapesium A dan B didefinisikan sebagai

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 )

Contoh 5.3.5 Diberikan himpunan fuzzy trapesium A = (1, 5, 6, 9) dan B =

(2, 3, 5, 8). Tentukan A(•) B!
(α) (α)
A α = [ a1 , a4 ]
= [( a2 − a1 )α + a1 , −( a4 − a3 )α + a4 ]
= [4α + 1, −3α + 9]
(α) (α)
Bα = [b1 , b4 ]
= [(b2 − b1 )α + b1 , −(b4 − b3 )α + b4 ]
= [α + 2, −3α + 8]

Pembagian dua interval α-cut Aα dan Bα diperoleh:

Aα (•) Bα = [4α + 1, −3α + 9](•)[α + 2, −3α + 8]

= [(4α + 1)(α + 2), (−3α + 9)(−3α + 8)]
= [4α2 + 9α + 2, 9α2 − 51α + 72]

Untuk α = 0 dan α = 1 maka

A0 (•) B0 = [2, 72], A1 (•) B1 = [15, 30]

Jadi diperoleh pendekatan 4 titik bilangan fuzzy segitiga A(•) B ∼

= (2, 15, 30, 72)

Bilangan Fuzzy Bentuk Lonceng (Bell Shape)

Bilangan fuzzy bentuk lonceng (Bell Shape) sering digunakan pada
praktek aplikasi dan didefinisikan sebagai berikut:
( )
−( x −m f )2
2δ2
µ f (x) = e f

90
Latihan 5.3.6

1. Hitung operasi interval berikut

a. [5, 8](+)[−1, 3]

b. [5, 9](−)[5, 10]

c. [6, 10](•)[−1, 5]

d. [3, 7](/)[−3, −1]

e. [5, 8]−1

2. Hitung operasi pada himpunan fuzzy A = (5, 0.5), (6, 1.0), B =

(2, 1.0), (3, 0.4), (4, 0.8)

a. A(+) B

b. A(−) B

c. A(•) B

d. A(∨) B

e. A(/) B

3. Hitung interval α-cut pada bilangan fuzzy segitiga A = (−4, 2, 5)

4. Hitung operasi dari himpunan fuzzy segitiga dengan menggunakan operasi

α-cut
A = (1, 3, 8), B = 2, 4, 5

91
 a. A(+) B

b. A(−) B

c. A(•) B

d. A(/) B

e. A−1

f. A(∨) B

g. A(∧) B

5. Tunjukkan α-cut pada bilangan fuzzy trapesoidal A = (−4, −1, 2, 5)

6. Hitung operasi pada bilangan fuzzy trapesoidal dengan menggunakan

operasi α-cut

a. A(+) B

b. A(−) B

c. A(•) B

d. A(/) B

e. A−1

f. A(∨) B

g. A(∧) B

92
 DAFTAR PUSTAKA

[1] Lee,K.H.(2005). First Course on Fuzzy Theory and Applications.

Penerbit Springer Verlag Berlin.

[2] Zimmermann, H. J.(1996). Fuzzy Set Theory and Its Applications, 3rd
edition. Boston:Kluwer Academic Publisher.

93