OPERASI HIMPUNAN FUZZY

(LAINNYA): DISJUNCTIVE,
DIFFERENCE, DISTANCE, CARTESIAN
PRODUCT,
T-NORM, T-CONORM

Disusun oleh: Dosen pengampu:

Mustofa (P2A921021) Dr. Drs. Kamid. M.Si
Maika Aprienti (P2A921005)
 Latar Belakang Masalah
Dalam ilmu logika fuzzy kita mengenal dua himpunan yaitu, himpunan crisp (tegas) dan
himpunan fuzzy (samar).

Himpunan crisp adalah himpunan yang menyatakan suatu obyek merupakan anggota
dari satu himpunan memiliki nilai keanggotaan (µ) = ya (1) atau tidak (0). Sehingga, hal
ini membuat himpunan crisp disebut himpunan tegas. Himpunan fuzzy adalah
himpunan yang menyatakan suatu obyek dapat menjadi anggota dari beberapa
himpunan dengan nilai kenaggotaan (µ) yang berbeda. Selanjutnya, dalam himpunan
fuzzy ini tidak banyak orang-orang mengetahui operasi-operasinya apa saja. Dengan
demikian, penulis tertarik membahas operasi lain himpunan fuzzy.
 Rumusan Masalah

Apa saja operasi lainnya dalam himpunan kabur?

Bagaimana operasi Disjunctive pada himpunan kabur?
Bagaimana operasi Difference pada himpunan kabur?
Bagaimana operasi Cartesian Product pada himpunan kabur?
Bagaimana operasi T-Norm pada himpunan kabur?
Bagaimana operasi T-Conorm pada himpunan kabur?
 Tujuan Penulisan Makalah

Untuk mengetahui apa saja operasi lainnya dalam himpunan kabur,

Untuk mengetahui operasi Disjunctive pada himpunan kabur,
Untuk mengetahui operasi Difference pada himpunan kabur,
Untuk mengetahui operasi Cartesian Product pada himpunan kabur,
Untuk mengetahui operasi T-Norm pada himpunan kabur, dan
Untuk mengetahui bagaimana operasi T-Conorm pada himpunan kabur.
 Disjunctive Sum
Disjunctive Sum adalah lambang operasi yang disebut “ekslusif OR” yang dinyatakan sebagai berikut,

𝐴 𝐵 = (𝐴 ∩ 𝐵 ̅) 𝖴 (𝐴 ̅ ∩ 𝐵)
Simple Disjuntive Sum dengan menggunakan fuzzy union dan fuzzy intersection
dalam himpunan fuzzy diperbolehkan seperti pada himpunan crisp.
𝜇𝐴̅(𝑥) = 1 − 𝜇𝐴(𝑥), 𝜇𝐵̅(𝑥) = 1 − 𝜇𝐵(𝑥)
𝜇𝐴∩𝐵̅ (𝑥) = 𝑀i𝑛 [𝜇𝐴 (𝑥),1− 𝜇𝐵 (𝑥)]
𝜇𝐴̅∩𝐵 (𝑥) = 𝑀i𝑛 [1− 𝜇𝐴(𝑥),𝜇𝐵 (𝑥)]
𝐴 𝐵 = (𝐴 ∩𝐵 ̅) 𝖴 (𝐴 ̅∩ 𝐵), maka
𝜇𝐴 𝐵(𝑥) = M𝑎𝑥{𝑀𝑖𝑛[𝜇𝐴(𝑥),1− 𝜇𝐵], 𝑀𝑖𝑛 [1−𝜇𝐴(𝑥),𝜇𝐵(𝑥)]}
 If your answer is correct, you win 20 Points!

Contoh 1. Berikut adalah prosedur mendapatkan disjunctive sum dari himpunan fuzzy 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)}
Dan sebagai hasilnya adalah
𝐴 𝐵 = (𝐴 ∩ 𝐵 ̅) 𝖴 (𝐴 ̅ ∩ 𝐵) = {(𝑥1,0.5),(𝑥2,0.7),(𝑥3,0),(𝑥4,0.1)}
Disjoint Sum dari “eksklusif OR” adalah mengeliminasi
dari area umum gabungan A dan B. Dengan cara ini, kita
bisa mendefinisikan sebuah operator untuk jumlah
eksklusif OR sebagai berikut.

𝜇𝐴∆𝐵(𝑥)=|𝜇𝐴(𝑥)−𝜇𝐵(𝑥)|
 Contoh 2. Jika kita kembali ke contoh sebelumnya himpunan fuzzy 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)}
𝐴Δ𝐵 = {(𝑥1,0.3),(𝑥2,0.4),(𝑥3,0),(𝑥4,0.1)}
Difference in Fuzzy Set
Difference dalam himpunan crisp didefinisikan
sebagai berikut:

𝐴 −𝐵 =𝐴 𝐵
 Pada himpunan fuzzy, ada dua cara memperoleh difference nya antara lain,
Simple Difference
Dengan menggunakan komplemen dan operasi
irisan, operasi simple difference sebagai berikut.
Contoh 3. Jika diketahui himpunan fuzzy 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)}
𝐵 ̅ = {(𝑥1,0.5),(𝑥2,0.7),(𝑥3,0),(𝑥4,0)}
𝐴 − 𝐵 = 𝐴 𝐵 ̅ = {(𝑥1,0.2),(𝑥2,0.7),(𝑥3,0),(𝑥4,0)}
Bounded
Difference
Definisi (Bounded Difference) Untuk operator,
kita definisikan fungsi keanggotaan sebagai,
𝜇𝐴𝜃𝐵 (𝑥)=𝑀𝑎𝑥,0,𝜇𝐴(𝑥)−𝜇𝐵(𝑥)-
Contoh 4. Jika diketahui himpunan fuzzy 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)}
𝐴𝜃𝐵 = {(𝑥1,0),(𝑥2,0.4),(𝑥3,0),(𝑥4,0)}
 DISTANCE IN FUZZY SET

Konsep “Distance” adalah konsep yang

didesain untuk menggambarkan
perbedaan. Tetapi itu memiliki ukuran
matematika yang berbeda dengan “selisih”.
Ukuran untuk Distance didefinisikan
sebagai berkut.
 1. Hamming Distance

Dengan asumsi elemen n di Himpunan Universal X;

yaitu |𝑋| = 𝑛,
Hamming distance relatif adalah,
Contoh 5: Misal A dan B himpunan fuzzy,
𝐴 = {(𝑥1, 0.2), (𝑥2, 0.7), (𝑥3, 1), (𝑥4, 0)}
𝐵 = {(𝑥1, 0.5), (𝑥2, 0.3), (𝑥4, 1), (𝑥4, 0.1)}
Hamming distance 𝑑(𝐴, 𝐵)
𝑑(𝐴, 𝐵) = |0.3| + |0.4| + |0| + |0.1| = 0.8
Hamming distance berisi sifat matematika, Sehingga dapat ditentukan hamming distance relatif
i) 𝑑 (𝐴, 𝐵) ≥ 0 himpunan fuzzy A dan
ii) 𝑑 (𝐴, 𝐵) = 𝑑 (𝐵, 𝐴) Komutatif
B adalah,
iii) 𝑑 (𝐴, 𝐶) ≤ 𝑑(𝐴, 𝐵) + 𝑑(𝐵, 𝐶) Transitif
iv) 𝑑 (𝐴, 𝐴) = 0 𝛿 (𝐴, 𝐵) =
𝛿 (𝐴, 𝐵) = 0,2
 1. Euclidean Distance

Dan relatif Euclidean Distance adalah

Contoh 6. Euclidean distance antara himpunan fuzzy A dan

B digunakan untuk
Hamming distance sebelumnya adalah
𝐴 = {(𝑥1, 0.2), (𝑥2, 0.7), (𝑥3, 1), (𝑥4, 0)}
B = {(𝑥1, 0.5), (𝑥2, 0.3), (𝑥3, 1), (𝑥4, 0.1)}
Sehingga, 𝑠(𝐴, 𝐵) = = 0,254
𝑒 (𝐴, 𝐵) =
 Produk Cartesian Himpunan
Fuzzy
Cartesian himpunan fuzzy adalah himpunan fuzzy yang didefinisikan
jika dari , , … , adalah himpunan fuzzy di , , … , , dan (𝑥), (𝑥), … , (𝑥),
sebagai fungsi keanggotaanya, maka cartesian product dituliskan:
 Contoh 8.

Contoh 8. Jika diketahui himpunan fuzzy A dan B

𝐴 = {(, 0.2), (, 0.7), (, 1), (, 0)}
𝐵 = {(, 0.5), (, 0.3), (, 1), (, 0.1)}
Dalam himpunan fuzzy dapat pula ditentukan
(, ) = 𝑚𝑖𝑛 [(), ()] m-th power dengan definisi
berikut,
 T-conorm
Dual gagasan untuk norma segitiga adalah conorm segitiga (t-conorm, juga
s-norm). Elemen netral adalah 0 bukan 1, semua kondisi lainnya tetap tidak Ada contoh dari operator t-conorm
berubah. (1) Operasi gabungan (𝖴)
T : [𝟎, 𝟏] × [𝟎, 𝟏] → [𝟎, 𝟏] (2) Operator aljabar (∓)
∀𝒙, 𝒚, 𝒙, 𝒚, 𝒛 ∈ [𝟎, 𝟏] (3) Operator bounded ( ⊕ )
(4) Operator drastis (⨃)
i) 𝑇(𝑥, 0) = 𝑥, 𝑇(𝑥, 1) = 1 kondisi batas (5) Operator disjoint (∆)
ii) 𝑇(𝑥, 𝑦) = 𝑇(𝑦, 𝑥) komutatif
iii) (𝑥 ≤ 𝑥′, 𝑦 ≤ 𝑦′) → 𝑇(𝑥, 𝑦) ≤ 𝑇(𝑥′, 𝑦′) monotonisitas
iv) 𝑇(𝑇(𝑥, 𝑦), 𝑧) = 𝑇(𝑥, 𝑇(𝑦, 𝑧)) asosiatif
 T-norm & T-conorm
Ada dua jenis operator dalam himpunan fuzzy yaitu, t-norm dan t-
conorm. Mereka sering disebut sebagai norma segitiga dan segtiga-
conorm.

Definisi t-norm
Norma segitiga (t-norm) operasi biner pada interval ,0,1- memenuhi,
T : [𝟎, 𝟏] × [𝟎, 𝟏] → [𝟎, 𝟏]
∀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
iii) (𝑥 ≤ 𝑥′, 𝑦 ≤ 𝑦′) → 𝑇(𝑥, 𝑦) ≤ 𝑇(𝑥′, 𝑦′) monotonisitas
iv) 𝑇(𝑇(𝑥, 𝑦), 𝑧) = 𝑇(𝑥, 𝑇(𝑦, 𝑧)) asosiatif
Sekarang kita bisa dengan mudah mengenali bahwa operator untuk t-norm.
(1) Operasi irisan (∩)
(2) Operasi aljabar (  )
(3) Operasi bounded ( ⊕ )
(4) Operasi drastis (⨃ )
 T-norm & T-conorm
Ketika menghitung t-norm dan t-conorm, nilai fungsi keanggotaan .
Simbol alternatif untuk fungsi ini adalah * . Dan dalam kasus lain simbol T

Dan dalam kasus lain simbol T digunakan untuk t- norm, sedangkan simbol  untuk t-
conorm, t-norm kadang disebut s-norm. Dalam mempratikkan aplikasi, terkadang kita
tidak bisa menentukan operasi mana yang tepat untuk aplikasi. Semua t-norm dan t-
conorm mengikuti hubungan tersebut.
THANKYO
U