Reflektif , xRx Relasi Ekuivalensi

E5={P7, P8, P15}, E6={P9}, E7={P10, P16} dan E8={P14} adalah himpunan elementer yaitu himpunan pasien-pasien yang tak terbedakan dalam K karena menunjukkan faktor penyebab penyebab penyakit yang sama. Pasien dengan Decision class lungL dan colonC {C,L} merupakan himpunan kasar karena tidak dapat didefinisikan secara unik menggunakan kelas ekuivalensi. Data Pasien tersebut hanya dapat didefinisikan dengan hampiran atas K dan hampiran bawah K . Dalam kasus ini A = {E1, E2, E3, E4, E7} merupakan himpunan kelas ekuivalensi pasien yang didiagnosa menderita penyakit kanker paru-paru lung. Maka hampiran bawah dari A , yaitu himpunan pasien yang pasti menderita kanker paru-paru, adalah  A K 4 2 1 E E E   = {P1, P2, P4, P5, P6, P11, P12, P17} Hampiran atas dari A, yaitu himpunan kelas ekuivalensi pasien yang mungkin menederita kanker paru-paru adalah K A = 7 4 3 2 1 E E E E E     = {P1, P2, P4, P5, P6, P11, P12, P17} Sedangkan himpunan E - K A = 8 6 5 E E E   = {P7, P8, P9, P14, P15} adalah himpunan pasien yang pasti tidak terkena kanker paru-paru melainkan pasien yang terkena kanker usus colon. Suatu ilustrasi himpunan kasar A dengan hampiran bawah dan hampiran atasnya dalam suatu ruang hampiran , R X K  disajikan dalam Gambar 2.2 berikut ini. Gambar 2.2 Himpunan kasar dengan hampiran atas dan bawah Susilo,2006:3 A A K A K XR A B K K = X,R Kualitas hampiran dalam suatu ruang hampiran dinyatakan dengan suatu ukuran ketepatan. Bila , R X K  adalah suatu ruang hampiran dan A suatu himpunan bagian dari X, maka banyaknya atom dalam A K dan , A K yang disajikan dengan A  dan , A  berturut-turut disebut ukuran dalam dan ukuran luar dari A dalam K. Jika , A A    maka A dikatakan terukur dalam K. Ketepatan hampiran dari A dalam K didefinisikan sebagai bilangan real A A A K     di mana .  A  Jelas bahwa 1   A K  dan 1  A K  jika A terukur dalam K. Dalam kasus ini ketepatan hampiran dari A 1 dalam ruang hampiran K tersebut adalah 6 . 5 3    A A A K   

II.2.6 Discernibilty Matrix

Pada himpunan kasar discernibilty matrix digunakan untuk mengekstrak minimal reduct . Hasil dari reduct tersebut berupa atribut yang dapat digunakan untuk membuat sebuah decision rules. Discernibility matrix yang sesuai dengan contoh basis data dalam Tabel 2.5 dengan U = {X 1 , X 2 , …, X 7 }, C = {a, b, c, d}, D = {E} dimana U adalah himpunan Objek, C himpunan atribut kondisional dan E himpunan atribut keputusan ditunjukkan dalam Tabel 2.6. Tabel 2.5 Contoh basis data ID a b c d E X 1 1 2 1 1 X 2 1 2 1 X 3 1 2 2 X 4 1 2 2 1 X 5 2 1 2 X 6 2 1 1 2 X 7 2 1 2 1 1 ....................…2.3 ....................…2.4