Kelas Ekivalensi Himpunan dan Himpunan Kasar .1 Relasi

 lain bisa disebutkan bahwa Rough Set dibagi atau direpresentasikan kedalam dua bentuk yaitu : a. IS Information System IS ini hanya memiliki objek dan atribut kondisi saja, tetapi tidak memiliki atribut keputusan. b. DS Decision System DS memiliki semunya, yaitu objek, atribut kondisi dan atribut keputusan

2.3.5 Ruang Hampiran atau Perkiraan Set Approximation

Menurut Pawlak 1821 , Misalkan X adalah suatu semesta yang takkosong, R adalah suatu relasi ekivalensi pada X, [x] R  {y  X | x, y  R} adalah kelas ekivalensi yang memuat x  X , dan X R  {[x] R | x  X } adalah himpunan hasil-bagi pada X yang terimbas oleh relasi ekivalensi R, yaitu keluarga semua kelas ekivalensi yang terimbas oleh R pada X. Pasangan K  X , R disebut ruang hampiran , masing-masing kelas ekivalensi dalam XR disebut himpunan elementer atau atom dalam K, dan elemen-elemen dalam suatu himpunan elementer disebut elemen-elemen yang takterbedakan dalam K. Dalam setiap ruang hampiran K, himpunan kosong juga dianggap sebagai himpunan elementer. Setiap gabungan berhingga banyak himpunan elementer dalam K disebut himpunan tersusun dalam K. Jika A adalah suatu himpunan bagian dari semesta X, maka hampiran bawah dari A dalam K, dengan lambang K A, adalah K A  {[x] R  X R | [ x] R  A} x X  {x  X | [ x] R  A} ……….. 2.1 yaitu gabungan semua himpunan elementer yang termuat dalam A. Beberapa sumber menyebut istilah lain untuk hampiran bawah dengan istilah “lower approximation atau positif re gion” YELLASIRI, 2008, Sedangkan hampiran  atas dari A dalam K upper approximation atau negative region, dengan lambang K A, adalah K A  {[x] R  X R | [ x] R  A  } x X  {x  X | [ x] R  A  } ……….. 2.2 yaitu gabungan semua himpunan elementer yang beririsan dengan A. Hampiran bawah dari A menyajikan himpunan elemen-elemen semesta yang pasti merupakan anggota himpunan A, sedangkan hampiran atas dari A menyajikan himpunan elemen-elemen semesta yang mungkin merupakan anggota himpunan A . Perhatikan bahwa K A  A  K A. Elemen-elemen semesta yang tidak berada dalam hampiran atas dari A adalah elemen-elemen yang pasti tidak merupakan anggota A. Selisih hampiran atas dan hampiran bawah dari himpunan A dalam K, yaitu B K A  K A  K A, disebut daerah batas boundary dari himpunan A dalam K. Jika B K A  , yaitu K A  K A  A , maka A merupakan gabungan himpunan elementer dalam K dan disebut himpunan yang dapat dideskripsikan secara tepat dalam K atau himpunan tegas dalam K. Jika B K A  , maka A tidak dapat dideskripsikan secara tepat dalam K dan disebut himpunan kasar dalam K. Dengan perkataan lain, himpunan kasar adalah himpunan bagian dari semesta yang mempunyai daerah batas yang takkosong. Suatu ilustrasi himpunan kasar A dengan hampiran bawah dan hampiran atasnya dalam suatu ruang hampiran K  X , R disajikan dalam Gambar 2.2.

Dokumen yang terkait

Implementasi algoritma reduct based decision tree untuk mengenali pola klasifikasi mahasiswa yang terkena sisip program.

0 1 229

Pencarian karakteristik calon mahasiswa baru Universitas Sanata Dharma yang tidak mendaftar ulang dengan menggunakan algoritma pohon.

0 0 125

MANAJEMEN WAKTU MAHASISWA TERHADAP KURIK

0 1 17

Pencarian karakteristik calon mahasiswa baru Universitas Sanata Dharma yang tidak mendaftar ulang dengan menggunakan algoritma pohon - USD Repository

0 0 123

Klasifikasi Data Penerimaan Mahasiswa Baru dan Prestasi akademik mahasiswa Jurusan Teknik Informatika Universitas Sanata Dharma dengan menggunakan algoritma naive bayesian - USD Repository

0 1 145

Pencarian pola klasifikasi mahasiswa yang tidak memenuhi sisip program berdasarkan nilai tes masuk penerimaan mahasiswa baru dan latar belakang mahasiswa Universitas Sanata Dharma dengan menggunakan algoritma C4.5 - USD Repository

0 0 175

Prediksi calon mahasiswa baru Universitas Sanata Dharma yang tidak mendaftar ulang menggunakan algoritma Naive Bayessian - USD Repository

0 0 119

Pengenalan pola klasifikasi status registrasi calon mahasiswa baru Universitas Sanata Dharma dengan algoritma Reduct Based Decision Tree (RDT) - USD Repository

0 1 151

Pencarian pola klasifikasi karya pengembangan profesi guru berdasarkan data sertifikasi guru dengan algoritma Reduct Based Decision Tree (RDT) - USD Repository

0 0 231

Implementasi algoritma reduct based decision tree untuk mengenali pola klasifikasi mahasiswa yang terkena sisip program - USD Repository

0 0 227