BAB 2

LANDASAN TEORI

2.1 Himpunan Fuzzy

Tidak semua himpunan yang dijumpai dalam kehidupan sehari-hari terdefinisi secara jelas, misalnya himpunan orang miskin, himpunan orang pandai, himpunan orang tinggi, dan sebagainya. Pada himpunan orang tinggi, misalnya, tidak dapat ditentukan secara tegas apakah seseorang adalah tinggi atau tidak. Anggap didefinisikan bahwa “orang tinggi” adalah orang yang tingginya lebih besar atau sama dengan 1.75 meter, maka orang yang tinnginya 1.74 meter menurut definisi tersebut termasuk orang yang tidak tinggi. Sulit diterima bahwa orang yang tingginya 1.74 meter itu tidak termasuk orang tinggi. Hal ini menunjukkan bahwa memang batas antara kelompok orang tinggi dan kelompok orang yang tidak tinggi tidak dapat ditentukan secara tegas.

Untuk mengatasi permasalahan himpunan dengan batas yang tidak tegas itu, Zadeh mengaitkan himpunan semacam itu dengan suatu fungsi yang menyatakan nilai keanggotaan pada suatu himpunan tak kosong sebarang dengan mengaitkan pada interval [0,1]. Fungsi ini disebut fungsi keanggotaan (membership function) dan nilai fungsi itu disebut derajat keanggotaan suatu unsur dalam himpunan tak kosong tersebut, yang selanjutnya disebut himpunan fuzzy.

Universitas Sumatera Utara

yang merupakan suatu pemetaan dari himpunan ke selang tertutup [0.4.-3. untuk Secara matematis suatu himpunan fuzzy himpunan pasangan terurut pada Ω dapat dinyatakam sebagai Dimana adalah fungsi keanggotaan dari himpunan kabur .5}. Apabila himpunan Ω adalah Ω himpunan yang diskrit. Contoh 2. himpunan fuzzy Universitas Sumatera Utara .1].-2. Yang Ω dinotasikan dengan → [0.Himpunan fuzzy (fuzzy set) adalah generalisasi dari konsep fungsi karakteristik. Dengan kata lain himpunan fuzzy didefinisikan sebagai berikut : Jika Ω sebarang himpunan tak kosong. Nilai pada x menyatakan nilai keanggotaan dari x pada Ω.1].3.3 : Dalam himpunan = { Ω dapat dinyatakan sebagai -5.-1.2. Dengan untuk Maka fungsi seperti ini disebut fungsi karakteristik. tetapi melambangkan keseluruhan unsur-unsur bersama dengan derajat keanggotaannya dalam himpunan fuzzy .-4.1. Jika menyatakan nilai keanggotaan yang hanya mengambil dua nilai yaitu 0 dan 1 . himpunan fuzzy pada Ω adalah suatu fungsi yang didefinisikan pada himpunan yang bernilai pada interval [0. maka fuzzy seringkali dinyatakan dengan Dimana lambang ∑ disini tidak melambangkan operasi penjumlahan seperti yang dikenal dalam aritmatika.0.1].

1 Alpha-Cuts (α-cuts) Suatu cara lain untuk menyatakan suatu himpunan fuzzy. Ada dua keadaan himpunan fuzzy yang linear. Pertama.1.5 adalah . Alpha-Cuts adalah suatu himpunan yang nilai keanggotaannya lebih besar atau sama dengan α dari suatu elemen anggota [0.1. 2. Representasi Linear Pada representasi linear. Himpunan seperti ini dinotasikan dengan .1: pada contoh 2. Dan didefinisikan sebagai berikut: Sedangkan alpha-cuts kuat dari himpunan fuzzy yaitu Contoh 2.Bilangan 5 dan -5 mempunyai derajat keanggotaan 0. sedangkan alpha-cuts kuatnya adalah Pada himpunan fuzzy dapat direpresentasikan melalui kurva-kurva berikut: a.1].1. yaitu dengan menggunakan alpha-cuts. alpha-cuts dari dengan α = 0. . yang biasanya tidak ditulis dalam penyajian himpunan fuzzy diskrit. pemetaan input ke derajat keanggotaannya digambarkan sebagai suatu garis lurus. Universitas Sumatera Utara . kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol [0] bergerak ke kanan menuju ke nilai domain yang memiliki derajat kenggotaan lebih tinggi.

2 Representasi kurva segitiga Fungsi Keanggotaan : Universitas Sumatera Utara . Representasi Kurva Segitiga Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear) seperti terlihat pada gambar 2.2 Gambar 2.1 Representasi Linear Naik Fungsi keanggotaan: b.Gambar 2.

Representasi Kurva Trapesium Kurva Trapesium pada dasarnya seperti bentuk segitiga. hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1.2 Bentuk Persamaan Regresi Fuzzy Bentuk hubungan linear antara variable Y mempunayai hubungan dengan dua variable bebas dan .c. maka model matematika multiple regresi fuzzy adalah : Untuk bilangan real.3 Kurva Trapesium Fungsi Keanggotaan: 2.1. dengan merupakan bilangan fuzzy dan merupakan Universitas Sumatera Utara . Gambar 2.

dan terutama untuk menelusuri pola hubungan yang modelnya belum diketahui dengan sempurna. Analisis regresi berguna dalam menelaah hubungan dua variable atau lebih.adalah penaksir bilangan fuzzy untuk rata-rata dari E(Y) diberikan untuk dengan notasi Nilai baru yang diperoleh untuk untuk E(Y) yaitu . Tahapan regresi terdiri dari 2 yaitu regresi sederhana dan multiple regresi. 2. untuk memprediksi nilai fuzzy yang baru Dan Semua perhitungan fuzzy dilakukan menggunakan α-cuts dan interval aritmatik. dan ilmu-ilmu pertanian. Universitas Sumatera Utara . manajemen. sehingga dalam penerapannya lebih bersifat eksploratif.2 Metode Analisis Regresi Dalam beberapa masalah terdapat dua atau lebih variable yang hubungannya tidak dapat dipisahkan. Penerapannya dapat dijumpai secara luas di banyak bidang seperti teknik. dan Untuk semua dengan α-cuts adalah selang kepercayaan . ekonomi. Analisis regresi adalah sebuah teknik statistika untuk memeriksa dan memodelkan hubungan diantara variable-variabel. dan hal tersebut biasanya diselidiki sifat hubungannya. ilmu-ilmu social. ilmu-ilmu biologi.

…. Untuk mendapatkan suatu persamaan antara dua variable X dan Y.2.Y). Anggap kasus yang dipilih adalah hubungan antara berat dan tinggi orang.1 Regresi Linear Sederhana Regresi linear sederhana adalah suatu prosedur untuk mendapatkan hubungan matematis dalam bentuk suatu persamaan antara variable dependent tunggal dengan variable independent tunggal. dan lain-lain.2. maka dipandang ( .2 Metode Kuadrat Terkecil Untuk mendapatkan garis regresi yang paling baik yaitu garis regresi yang memiliki deviasi atau kesalahan terkecil. Anggap X menyatakan tinggi dan Y berat seorang pria dewasa. yang sedang diselidiki.n = variable terikat ke-i = variable bebas ke-i a = intersep (titik potong kurva terhadap sumbu Y) b = kemiringan (slope) kurva linear Diketahui hubungan antara dua (atau lebih) variable acak. Hubungan antara variable dependent dengan variable independent ini dapat dirumuskan ke dalam suatu bentuk hubungan fungsional sebagai berikut: . masing-masing pasangan bebas dan X serta Y didefinisikan pada ruang sampel yang sama. Metode Universitas Sumatera Utara .2. yaitu kumpulan orang pria dewasa. Dengan : untuk i = 1. hubungan antara tekanan dan suhu udara. 2.2. maka digunakan metode kuadrat terkecil. mula-mula dikumpulkan data (X.

maka dinyatakan sebagai berikut: Jadi metode kuadrat terkecil adalah metode untuk menghitung sedemikian rupa sehingga = terkecil (minimum).2) Universitas Sumatera Utara .kuadrat terkecil ialah suatu metode untuk menghitung . sedemikian sehingga jumlah kesalahan kuadrat memiliki nilai terkecil. Caranya ialah dengan membuat mula-mula terhadap kemudian turunan parsial (partial differensial) dari terhadap dan menyamakannya dengan nol. Dengan bahasa matematika.1) dibagi dengan n Sehingga Masukkan ke persamaan (2.1) …(2. …(2.2) Persamaan (2.

Dengan mendeferensialkan persamaan (2.3) terhadap parsial yang dihasilkan sama dengan nol. Jumlah dari kuadrat deviasi (SSD) dari garis adalah …(2. diperoleh …(2. diperoleh …(2.6) Universitas Sumatera Utara .3 Regresi Kuadrat Terkecil Metode ini didasarkan pada pemilihan sehingga meminimalkan jumlah kuadrat deviasi titik-titik data dari garis yang dicocokkan.5).5) Dari persamaan (2.4) dengan menetapkan derivative Dan karenanya …(2.Sehingga 2.3) maka jumlah deviasi kuadrat menjadi minimum.2.3) Kemudian akan dipilih taksir sehingga jika taksiran ini disubstitusikan ke dalam persamaan (2.

3 Selang Kepercayaan 2. Estimasi tunggal adalah sebuah pemilihan yang tunggal untuk sebuah nialai parameter populasi yang tidak diketahui. taksiran persamaan regresi dapat ditulis sebagai. Setelah sampel dipilih. yang disebut persamaan prediksi kuadrat terkecil. Lebih jelasnya. dan yang dan .Persamaan (2.1 Estimasi Tunggal Suatu Estimasi tunggal pada sebuah parameter populasi adalah nilai tunggal numeric pada sebuah statistik yang berhubungan dengan parameter tersebut.6) disebut dengan persamaan normal. Dengan demikian. 2. diperoleh dengan cara ini disebut taksiran kuadrat terkecil masing-masing dari . jika X sebuah variable random dengan distribusi probabilitas f(x). Dari persamaan (2. mempunyai parameter θ yang tidak diketahui.6) diperoleh Dan . Universitas Sumatera Utara . dimana dan adalah dan . karena estimator tersebut merupakan sebuah fungsi data sampel. diperoleh berdasarkan nilai tertentu yang disebut perkiraan tunggal θ. maka statistic yang berhubunga dengan θ disebut estimator θ. Perhatikan bahwa estiamator adalah sebuah variable random yaitu variable yang mempunyai harga dan probabilitas.3. dan jika sebuah sampel random yang besarnya n dari X.

Besarnya nilai 1-α.2 Estimasi Interval Dalam pengambilan sampel dari populasi. diharapkan memperoleh lebih banyak pengetahuan mengenai populasi dari sampel besar relative dari pada sampel kecil. Misalnya θ adalah parameter yang akan diestimasi berdasarkan hasil penelitian sampel. yang diberi symbol 1-α. yang tidak diketahui nilainya. Dalam prakteknya. Itulah sebabnya sering digunakan pendugaan interval (selang). yang disebut nilai batas bawah dan nilai batas atas.2.3 Selang Kepercayaan pada Koefisien Multipel Regresi Untuk mendapatkan koefisien regresi. harus ditentukan terlebih dahulu besarnya koefisien keyakinan atau tingkat keyakinan. 2. Untuk membuat pendugaan interval. misalnya atau angka lainnya.3. Penaksiran seperti ini disebut panaksir selang (interval estimation) untuk θ dengan kepercayaan 1-α. maka Hal ini menunjukkan peluang selang a dan b memuat θ ialah 1-α. yaitu suatu pendugaan berupa interval yang dibatasi dua nilai.3. maka digunakan distribusi t yaitu: Universitas Sumatera Utara . dengan didasarkan pada informasi sampel. Untuk mendapatkan ukuran ketepatan suatu penaksir a dan b parameter θ yang diestimasi. pendugaan tunggal yang terdiri dari satu angka tidak memberikan gambaran mengenai berapa jarak/selisih nilai penduga tersebut terhadap nilai sebenarnya.

dari definisi distribusi t Persamaan diatas merupakan distribusi t dengan derajat kebebasan n-k dimana adalah elemen diagonal dari suatu matriks .( berdistribusi normal dengan mean dan varians ). ini menyatakan bahwa tidak mempunyai hubungan linear terhadap Y.3. Andaikan kita mengharapkan nilai X pada periode (n+1) ditunjukkan dengan vector kolom yaitu Sehingga untuk memprediksi nilai harapan dari yakni Universitas Sumatera Utara . merupakan suatu distribusi diperoleh : dengan derajat kebebasan n-k. Untuk menguji hipotesis bahwa . maka perhitungan uji statistiknya yaitu : 2. Sebab itu.4 Prediksi Selang Kepercayaan pada Multiple Regresi Salah satu tujuan dari estimasi hubungan pada multiple regresi yaitu memungkinkan membuat prediksi dari (E(Y)).

dengan tingkat kepercayaan sebesar 100(1-α)%.Karena adalah predictor tak bias linear terbaik dari . Jadi predictor titik tersebut yakni karena Dan varians dari adalah Sehingga adalah berdistribusi normal yakni Dengan distribusi t Dimana Merupakan distribusi t dengan derajat kebebasan (n-k). maka selang kepercayaan untuk adalah Dari nilai ramalan sebelumnya yaitu: Universitas Sumatera Utara . Oleh karena itu.

Oleh karena itu.Sedangkan nilai sebenarnya adalah Dimana menunjukkan nilai sebenarnya pada periode ramalan. dengan tingkat kepercayaan sebesar 100(1-α)%. Ketidaksesuaian antara nilai ramalan dan nilai sebenarnya yaitu: Sehingga didapat E(d) = 0 Karena dan Dan Merupakan distribusi dengan derajat kebebasan (n-k). maka selang kepercayaan untuk yakni Universitas Sumatera Utara .

Sign up to vote on this title
UsefulNot useful