Ukuran Fuzzy Indeks Kekaburan Fuzzy Entropy Ukuran Kesamaan

3. Partisi Posibilistik Possibilistic Partition

Tidak seperti halnya kedua partisi di atas, pada partisi posibilistik jumlah nilai keanggotaan suatu data pada semua klaster tidak harus 1, namun untuk menjamin suatu data menjadi anggota dari paling tidak satu klaster, maka diharuskan ada nilai keanggotaan yang bernilai lebih dari 0 Krishnapuram, 1993.

2.5.1. Ukuran Fuzzy

Ukuran fuzzy menunjukkan derajat kekaburan dari himpunan fuzzy. Secara umum ukuran kekaburan dapat ditulis sebagai suatu fungsi Yan, 1994: R X p f → : Dengan PX adalah himpunan semua subset dari X; fA adalah suatu fungsi yang memetakan subset A ke karakteristik derajat kekaburannya. Dalam mengukur nilai kekaburan, fungsi f harus mengikuti hal-hal sebagai berikut Yan, 1994: 1. fA = 0 jika dan hanya jika A adalah himpunan crisp. 2. Jika A B, maka fA = fB. Disini, A B berarti B lebih kabur dibanding A atau A lebih tajam dari B. relasi ketajaman A B didefinisikan dengan: x x B A µ µ ≤ , jika 5 , ≤ x B µ dan 2.4 x x B A µ µ ≥ jika 5 , ≥ x B µ . 2.5 fA akan mencapai maksimum jika dan hanya jika A benar-benar kabur secara maksimum. Tergantung pada interprestasi derajat kekaburan, nilai fuzzy maksimal biasanya terjadi pada saat [ ] 5 , = x A µ untuk setip x.

2.5.2. Indeks Kekaburan

Indeks kekaburan adalah jarak antara suatu himpunan fuzzy A dengan himpunan crisp C yang terdekat. Himpunan crisp C terdekat dari himpunan fuzzy dinotasikan sebagai [ ] = x C µ , jika [ ] 5 , ≤ x A µ , dan [ ] 1 = x C µ jika [ ] 5 , ≥ x A µ Yan, 1994. Ada beberapa fungsi jarak yang dapat digunakan dalam mencari indeks kekaburan, yaitu Pedrycz, 2005: 1. Hamming distance: i n i i y x y x d ∑ = − = 1 , 2.4 2. Euclidean distance: ∑ = − = n i i i y x y x d 1 2 , 2.5 3. Tehebyschev distance: n i y x y x d i i i , , 2 , 1 ; max , = − = 2.6 4. Minkowski distance: p n i p i i p y x y x d ∑ = − = 1 ; , 2.7 5. Canberra distance: ; , 1 ∑ = + − = n i i i i i y x y x y x d 2.8 dengan x i dan y i bernilai positif. 6. Angular separation : 2 1 1 1 2 2 1 ,       = ∑ ∑ ∑ = = = n i n i i i n i i i y x y x y x d 2.9

2.5.3. Fuzzy Entropy

Fuzzy entropy didefinisikan dengan fungsi Yan, 1994: [ ] [ ] [ ] [ ] [ ] [ ] { } ∑ − ∂ − + − = x x x x A f A A A A µ µ µ µ 1 log 1 log 2.10

2.5.4. Ukuran Kesamaan

Ukuran kesamaan digunakan untuk menunjukkan derajat perbedaan antara 2 himpunan fuzzy. Perbedaan antara premis suatu aturan dengan input fuzzy-nya kemudian dapat digunakan untuk menentukan nilai α pada suatu aturan.

2.6. Fuzzy Subtractive Clustering