RANDOM SUBGRAPH Oleh: Lena Rosdiana ... - Jurnal Mudira … · Löwner Evolutions (SLE). ... Jurnal...
-
Upload
trannguyet -
Category
Documents
-
view
237 -
download
0
Transcript of RANDOM SUBGRAPH Oleh: Lena Rosdiana ... - Jurnal Mudira … · Löwner Evolutions (SLE). ... Jurnal...
Jurnal Ilmiah “DUNIA ILMU” Vol.2 No.1 Maret 2016
123
RANDOM SUBGRAPH
Oleh:
Lena Rosdiana Pangaribuan, S.Pd, M.Si
Abstrak
Tesis ini mempelajari suatu random even subgraph dari graph finite G
dengan bobot edge yang secara umum p ∈ (0,1). Tesis ini menggambarkan
bagaimana random even subgraph diperoleh dari ukuran random cluster tertentu
di G dan menganjurkan algoritma sampling berdasarkan coupling-from-the-past
(cftp). Bagian-bagian dari graph akan dibahas dan dihubungkan pada Schramm-
Löwner Evolutions (SLE). Adapun tujuan dari penelitian ini adalah untuk
menentukan random even subgraph dari suatu graph finite G = (V, E) dengan
menggunakan algoritma sampling. Pada tahapan akhir, algoritma yang digunakan
berdasarkan pada algoritma sampling untuk menentukan suatu random even
subgraph.
Kata Kunci: Random even subgraph , algoritma sampling
1. Pendahuluan
1.1 Latar Belakang Masalah
Suatu graph G adalah pasangan
terurut (V(G), E(G)) yang terdiri dari
himpunan V(G) vertex dan himpunan
E(G) yang disjoint dari V(G) yaitu
edge, yang secara bersama-sama
merupakan fungsi incident 𝜓G yang
mengaitkan dengan setiap edge di G
yang merupakan pasangan urut dari
vertex di G (Bondy dan Murty,
2007). Secara umum, suatu graph F
dikatakan subgraph dari graph G jika
V(F) ⊆ V(G) , E(F) ⊆ E(G), dan 𝜓
F adalah batasan dari 𝜓 G ke E(F).
Sehingga dapat dikatakan bahwa G
terdiri dari F atau F terdapat di G dan
ditulis G ⊇ F atau F ⊆ G, secara
berurut. (Bollobas, 1984)
Adapun contoh random
subgraph dari graph finite yakni
subgraph dari graph lengkap yang
vertexnya (V) diperoleh dengan cara
menghapus edge secara bebas
dengan peluang 1 – p dan pertama
sekali diperkenalkan oleh Erdös dan
Jurnal Ilmiah “DUNIA ILMU” Vol.2 No.1 Maret 2016
124
Rényi pada tahun 1960. Mereka
menunjukkan bahwa ketika p
diskalakan sebagai (1 + ∈)V-1
, ada
suatu peralihan fase pada ∈ = 0 yang
dalam pengertiannya bahwa ukuran
dari komponen yang paling besar
adalah 𝜃(log V). Random even
subgraph dari suatu graph yang finite
G dengan bobot edge yang secara
umum mengarah pada p ∈ (0,1).
Grimmet (2009).
Random even subgraph dari
planar lattice mengalami suatu fase
peralihan dengan nilai parameter 1
2 pc
, di mana pc adalah titik kritis dari q
= 2 model random-cluster di dual
lattice. Setiap graph akan dibahas
dan dihubungkan dengan SLE
(Schramm-Löwner Evolutions).
Tujuannya adalah mengetahui
random even subgraph dari graph
yang finite G = (V, E) dan untuk
menunjukkan bagaimana
menggunakan subgraph. Suatu subset
F dari E disebut genap, jika untuk
semua x ∈ V , x berincident dengan
jumlah anggota F genap. Subgraph
(V, F) dikatakan genap jika F genap,
dan ditulis ℇ untuk himpunan dari
semua subset genap F di E. Ini
merupakan acuan bahwa setiap
himpunan genap F bisa tidak
digunakan lagi sebagai gabungan
edge-point dari cycle. (Grimmet,
2009)
Dalam menentukan random
subgraph ini diperlukan suatu model
yang cocok untuk memilih subgraph
yang acak. Sekilas akan dibahas
model tersebut dengan ukuran
peluangnya. Di sisi lain, random
subgraph G diperoleh secara acak
(random) dan bebas menghapus
setiap edge dengan peluang
(kemungkinan) 1 – p dan 𝜌p adalah
aturan dari random subgraph yang
berlaku jika genap. Suatu model di G
mempunyai bentuk ruang dan juga
memiliki ukuran suatu peluang.
Ukuran random-cluster di G dengan
parameter p dan q = 2 yang
digambarkan secara umum untuk q >
0, namun hanya bersifat pada kasus q
= 2.
Hampir semua informasi yang
mungkin kita dapat menyatakan
bahwa subgraph dari beberapa host
graph (graf asal) sering kali
mempunyai ukuran-ukuran besar
yang menjadi penghalang atau
memiliki informasi yang tidak
Jurnal Ilmiah “DUNIA ILMU” Vol.2 No.1 Maret 2016
125
lengkap. Pertanyaannya adalah
apakah random subgraph dari graph
yang diberikan harus ada atau tidak.
Random subgraph Gp dari graf G
terjadi apabila setiap edge di Gp
bebas menghapus setiap edge dengan
peluang p, dan membuang edge
dengan peluang 1 – p.
1.2.Tujuan
Tujuan dari penelitian ini adalah
untuk menentukan random even
subgraph dari graph yang finite G =
(V, E) dengan menggunakan
algoritma sampling.
2. Uraian Teoritis
2.1.Random Even Subgraph
Suatu subset F di E dikatakan
genap jika, untuk semua 𝑥 ∈ 𝑉,
dimana 𝑥 berincident terhadap
jumlah anggota F genap. Sehingga
subgraph (V, F) dikatakan genap jika
F genap dan ℰ ditulis sebagai
himpunan dari semua subset genap F
di E. Dikatakan standar jika setiap
himpunan genap F bisa dihapus dari
gabungan edge-disjoint di cycle-nya.
Misalkan p ∈ [0, 1) , maka random
even subgraph G dengan parameter p
dapat ditunjukkan sebagai berikut :
𝜌p(F) = 1
𝑍𝐸𝑝 𝐹 (1 − 𝑝) 𝐸\𝐹 , F ∈
ℰ (2.1)
dimana ΖE = Ζ𝐺
𝐸 𝑝 .
Mencari 𝜌p dapat juga
menggunakan cara sebagai berikut.
Misalkan 𝜙𝑝 adalah product measure
dengan density p pada bentuk ruang
= {0,1}E. Untuk 𝜔 ∈ dan 𝑒 ∈ 𝐸,
dikatakan 𝜔-open jika 𝜔(𝑒) = 1 dan
𝜔-closed untuk yang lainnya.
Misalkan 𝜕𝜔 adalah himpunan dari
vertex 𝑥 ∈ 𝑉 yang berincident
dengan jumlah edge ganjil pada 𝜔-
open. Sehingga
𝜌𝑝(𝐹) = 𝜙𝑝 (𝜔𝐹)
𝜙𝑝 (𝜕𝜔 = ∅) , F ∈ ℰ (2.2)
dimana 𝜔𝐹 adalah bentuk edge yang
himpunan edge terbukanya adalah F.
Dengan kata lain, 𝜙𝑝 digambarkan
sebagai random subgraph G yang
diperoleh secara acak dan bebas
menghapus setiap edge dengan
peluang (kemungkinan) 1 – p dan 𝜌𝑝
merupakan aturan dari random
subgraph yang berlaku jika genap.
(Grimmet, 2009)
2.2.Finite Graph
Suatu graph dikatakan finite
apabila suatu graph dengan jumlah
yang finite di vertex dan edge-nya.
Jurnal Ilmiah “DUNIA ILMU” Vol.2 No.1 Maret 2016
126
Jika graph memiliki n vertex dan
tidak memiliki kelipatan edge atau
graph yang loop, maka graph finite
merupakan subgraph dari graph
komplit Kn. Suatu graph yang tidak
finite disebut dengan infinite. Jika
setiap vertex memiliki derajat yang
finite, maka graph itu disebut sebagai
daerah yang finite. (Biggs, 1993)
Pada kasus p = 1
2 pada
persamaan 𝜌p(F) = 1
𝑍𝐸 𝑝 𝐹 (1 −
𝑝) 𝐸\𝐹 , dimana F ∈ ℰ,
setiap even subgraph memiliki
peluang yang sama, sehingga 𝜌12
dikatakan sebagai random even
subgraph yang uniform di G. Peluang
yang dipilih p = 1
2 karena
memberikan hasil pada persamaan
𝜌p, sedangkan jika p = 1 akan
memberikan hasil bernilai
0.Sehingga random subgraph dapat
diperoleh sebagai berikut. Pertama-
tama identifikasikan family dari
semua spanning subgraph di G = (V,
E) dengan family 2E dari semua
subset di E. Family ini dapat
diidentifikasikan lebih lanjut dengan
{0,1}E = ℤ2
𝐸 dan dengan demikian
ruang vektornya (vector space) diatas
ℤ2; sebagai tambahannya adalah 2
modul tambahan cara pada {0,1}E ,
sehingga diterjemahkan sebagai
pengambilan perbedaan simetris
pada himpunan edgenya : F1 + F2 =
F1 ∆ F2 untuk F1, F2 ⊆ E.
Family dari even subgraph G
merupakan bentuk dari subspace ℰ
pada ruang vektor {0,1}E , sehingga
F1 + F2 = F1 ∆ F2 dikatakan genap
jika F1 dan F2 juga genap. (Pada
kenyataannya, ℰ adalah ruang cycle
(cycle space) Ζ1 pada ℤ2-homology
di G sebagai suatu kompleks yang
sederhana). Pada khususnya, jumlah
even subgraph di G sama dengan
2c(G)
, dimana c(G) = dim(ℰ) ; dengan
demikian c(G) adalah jumlah cycle
bebas di G, dan diperoleh :
c(G) = 𝐸 − 𝑉 + 𝑘(G)
Preposisi 1. Misalkan C1, . . . , Cc
adalah himpunan maksimal dari
cycle bebas di G. Misalkan 𝜉1, . . .
, 𝜉𝑐 adalah bebas dari random
variabel (sebagai contoh, hasil
lemparan koin yang adil). Sehingga
𝜉𝑖𝐶𝑖𝑖 merupakan random even
subgraph yang uniform di G.
Bukti : C1, . . . , Cc adalah basis dari
ruang vektor ℰ di atas ℤ2.
Jurnal Ilmiah “DUNIA ILMU” Vol.2 No.1 Maret 2016
127
Salah satu cara yang
dilakukan dalam memilih C1, . . . , Cc
adalah dengan memanfaatkan dalil
yang berikutnya. Pada dalil yang
berikutnya, akan menggunakan
spanning subforest di G yang berarti
suatu maximal forest di G, yaitu
gabungan spanning tree dari setiap
komponen di G.
Preposisi 2. Misalkan (V, F) adalah
spanning subforest di G. Setiap
subset X di E \ F dapat diselesaikan
dengan kekhususan Y ⊆ F pada
himpunan edge genap EX = X ∪ Y ∈
ℰ. Memilih random subset yang
uniform X ⊆ E \ F akan memberikan
suatu random even subgraph yang
uniform EX juga di G.
Bukti : Setiap edge 𝑒𝑖 ∈ E \ F dapat
diselesaikan dengan edge di F pada
cycle yang unik Ci ; dimana cycle ini
merupakan dasar dari ℰ dan hasilnya
seperti pada dalil 1. (Grimmet dan
Janson, 2009)
2.3.Sampling Subgraph
Contoh-contoh algoritma
subgraph n dari pemilihan edge
secara acak yang terhubung dengan
suatu himpunan n dapat
dicapai.Selanjutnya digambarkan
prosedur random sampling dari suatu
n vertex subgraph pada suatu
network (jaringan). Pilih edge secara
acak dari jaringan, lalu perluas
subgraph secara berulang-ulang
dengan memilih edge tetangganya
secara acak hingga membentuk
subgraph n.
Untuk setiap pilihan acak dari
suatu edge, dalam memilih suatu
edge sebaiknya ukuran subgraph
diperluas dari pertama, kemudian
siapkan daftar semua kandidat
(calon) edge, lalu lakukan pemilihan
edge secara acak dari daftar itu
sendiri. Jadi, contoh subgraph dapat
digambarkan sebagai suatu
himpunan vertex n dan semua edge
yang terhubung diantara vertex pada
original network (tidak hanya edge
yang dipilih dengan proses
perluasan). Penilaian yang tepat
untuk sampling yang tidak uniform.
Suatu subgraph yang spesifik
adalah suatu himpunan n yang
terhubung dengan vertex dalam suatu
jaringan. Peluang dari sampling
subgraph spesifik yang berbeda
dalam jaringan tidaklah sama
meskipun mempunyai topologi yang
Jurnal Ilmiah “DUNIA ILMU” Vol.2 No.1 Maret 2016
128
sama. Untuk menilai ini, kita akan
menghitung peluangnya P, dari
sampling subgraph yang spesifik.
Setiap jenis subgraph akan menerima
skor / nilai. Kemudian, kita akan
menambah skor berat W = 1
𝑝 untuk
skor jenis subgraph yang relevan. Ini
diulang untuk mendapatkan jumlah
banyaknya sampel spanning tree.
Dengan demikian, kita dapat
menghitung konsentrasi semua jenis
subgraph menurut skor/nilainya.
Untuk contoh subgraph n, himpunan
terurut n – 1 edge dipilih berulang-
ulang secara acak. Sedangkan untuk
menghitung peluangnya P dari
sampling subgraph, kita perlu
memeriksa semua peluang
(kemungkinan) himpunan terurut n –
1 edge yang menuju pada sampling
subgraph. Kashtan et al (2004)
3. Metode Penelitian
Metode penelitian ini secara
ringkas seperti berikut ini. Pertama
sekali buat suatu graph yang terdiri
dari vertex dan edge. Kemudian dari
graph ini, pilih subgraph-nya secara
acak. Untuk memilih subgraph yang
acak digunakan suatu algoritma.
Dalam hal ini algoritma yang akan
dipergunakan adalah algoritma
sampling yang tujuannya pemilihan
random subgraph ini sesuai dengan
yang diinginkan. Dapat dikatakan
ada batasannya dalam memilih
random subgraph dari graph yang
ada.
4. Hasil Penelitian
4.1. Random Even Subgraph
Random even subgraph dengan
parameter p [0, 1) didefinisikan
dari persamaan 𝜌p(F) = 1
𝑍𝐸 𝑝 𝐹 (1 −
𝑝) 𝐸\𝐹 untuk suatu graph finite G =
(V, E). Selanjutnya bagaimana
memasangkan model random-cluster
q = 2 dan random even subgraph di
G. Misalkan p [0, 1
2] dan 𝜔 sebagai
realisasi model random cluster di G
dengan parameter 2p dan q = 2.
Misalkan R = (V, 𝛾) sebagai random
even subgraph yang uniform di (V,
𝜂(𝜔)).
Teorema 4.1. Misalkan p [0, 1
2].
Graph R = (V, γ) adalah random
even subgraph di G dengan
parameter p.Bukti : Misalkan g ⊆ E
genap dan c(𝜔) = c(V, 𝜂(𝜔))
merupakan jumlah cycle bebas pada
open subgraph,
Jurnal Ilmiah “DUNIA ILMU” Vol.2 No.1 Maret 2016
129
ℙ 𝛾 = 𝑔 𝜔 =
2−𝑐 𝜔 jika 𝑔 ⊆ 𝜂 𝜔
0 yang lain
sehingga
ℙ 𝛾 = 𝑔 =
2−𝑐 𝜔 𝜙2𝑝 ,2(𝜔)𝜔 :𝑔⊆𝜂(𝜔)
(4.1)
Jika c(𝜔) = 𝜂 𝜔 − 𝑉 + 𝑘(𝜔) ,
maka :
ℙ 𝛾 = 𝑔
∝ 2𝑝 𝜂 𝜔 (1
𝜔 :𝑔⊆𝜂(𝜔)
− 2𝑝) 𝐸\𝜂 𝜔 2𝑘 𝜔 1
2 𝜂 𝜔 − 𝑉 +𝑘 𝜔
∝ 𝑝 𝜂 𝜔 (1 − 2𝑝) 𝐸\𝜂 𝜔
𝜔 :𝑔⊆𝜂(𝜔)
= [𝑝 + (1 −
2𝑝)] 𝐸\𝑔 𝑝 𝑔
= 𝑝 𝑔 (1 − 𝑝)] 𝐸\𝑔 ,
g ⊆ E. (4.2)
Misalkan p (1
2, 1). Jika G
genap, maka contoh dari 𝜌𝑝 dengan
sampling (pengambilan) pertama
suatu subgraph (V, 𝐹 ) dari 𝜌1−𝑝 dan
komplemennya (V, 𝐸 \ 𝐹 ) memiliki
distribusi 𝜌𝑝 . Jika G ganjil, maka
akan disesuaikan seperti berikut ini.
Untuk W ⊆ V dan H ⊆ E ; H
dikatakan W-genap jika setiap
komponen dari (V, H) terdiri dari
jumlah anggota dari W genap.
Misalkan W ≠ ∅ adalah himpunan
vertex G dengan derajat ganjil,
sehingga, secara khusus, E adalah
W-genap. Asumsikan Ω𝑊 = {𝜔 ∈ Ω :
𝜂 𝜔 adalah W-genap}. Untuk 𝜔 ∈
Ω𝑊 , pilih subset yang disjoint
𝑃𝑖 = 𝑃𝜔 𝑖 , dimana i = 1, 2, . . . ,
1
2 𝑊 , dari 𝜂 𝜔 , yang merupakan
path non-self-intersecting terbuka
dengan titik akhir nyata yang terletak
di W, sehingga setiap anggota di W
merupakan titik akhir tepat satu path.
Ditulis 𝑃𝜔 = 𝑃𝜔𝑖
𝑖 .
Misalkan r = 2(1 – p), dan
misalkan 𝜙𝑟 ,2𝑊 adalah ukuran random
cluster pada Ω dengan parameter r
dan q = 2 bersyarat pada kejadian
Ω 𝑊 . Ambil sample dari 𝜙𝑟 ,2𝑊 untuk
memperoleh subgraph (V, 𝜂(𝜔)) ,
dengan memilih suatu random even
subgraph yang uniform (V, 𝛾).
Teorema 4.2. Misalkan p (1
2 , 1).
Graph S = (V, E \ (γ ∆ Pω)) adalah
suatu random even subgraph di G
dengan parameter p.
Jurnal Ilmiah “DUNIA ILMU” Vol.2 No.1 Maret 2016
130
Teorema 4.1. dan teorema
4.2. dapat digabungkan sebagai
berikut. Dengan mempertimbangkan
model yang dibangun dengan satu
parameter 𝑝𝑒 (0,1) untuk setiap
edge 𝑒 E. Misalkan A = {𝑒 E :
𝑝𝑒 > 1
2}. Didefinisikan bahwa 𝑟𝑒 =
2𝑝𝑒 jika 𝑒 ∉ A dan 𝑟𝑒 = 2(1 – 𝑝𝑒 ) jika
𝑒 A. (Jadi 0 < 𝑟𝑒 ≤ 1). Misalkan
W = WA adalah himpunan vertex A-
ganjil, sebagai contoh, titik akhir dari
jumlah edge ganjil di A. Sample 𝜔
dari ukuran random-cluster dengan
parameter r = (𝑟𝑒 : 𝑒 E) dan q = 2,
sehingga 𝜂 𝜔 menjadi W-genap,
misalkan Pω (untuk W = WA) , dan
sample random even subgraph yang
uniform (V, 𝛾) pada (V, 𝜂(𝜔)).
Teorema 4.3. Graph S = (V,
𝛾 ∆ 𝑃𝜔 ∆ 𝐴) adalah random even
subgraph di G dengan distribusi
𝜌𝒑.Bukti : Misalkan F = 𝛾 ∆ 𝑃𝜔 ∆ 𝐴
merupakan hasil dari himpunan edge
sehingga 𝜂(𝜔) ⊇ 𝛾 ∆ 𝑃𝜔 =
𝐹 ∆ 𝐴.
(4.3)
Selanjutnya, jika F genap,
maka 𝐹 ∆ 𝐴 mempunyai derajat
ganjil tepat pada vertexnya W = WA ,
karena itu pers. (4.3) menunjukkan
bahwa 𝜔 Ω𝑊 diperlukan.
Diberikan himpunan egde genap f ⊆
E, sehingga diperoleh F = f jika
pemilihan pertama 𝜔 Ω𝑊 dengan
𝜂(𝜔) ⊇ 𝑓 ∆ 𝐴 dan kemudian (𝑃𝜔
telah terpilih) pilih 𝛾 sebagai even
subgraph 𝑓 ∆ 𝐴 ∆ 𝑃𝜔 . Karena itu,
untuk setiap 𝜔 Ω𝑊 dengan
𝜂(𝜔) ⊇ 𝑓 ∆ 𝐴, diperoleh
ℙ 𝐹 = 𝑓 𝜔 = 2−𝑐(𝜔).
ℙ 𝐹 = 𝑓
∝ 2−𝑐 𝜔 𝜙𝒓,2(𝜔)
𝜔 :𝜂(𝜔)⊇𝑓∆𝐴
∝ 2−𝑐 𝜔 2𝑘 𝑤 𝑟𝑒𝜔 𝑒 1
𝑒∈𝐸𝜔 :𝜂(𝜔)⊇𝑓∆𝐴
− 𝑟𝑒 1− 𝜔 𝑒
∝ 2− 𝜂 𝜔 𝑟𝑒𝜔 𝑒 1
𝑒∈𝐸𝜔 :𝜂(𝜔)⊇𝑓∆𝐴
− 𝑟𝑒 1− 𝜔 𝑒
= 𝑟𝑒2 𝜔 𝑒
1
𝑒∈𝐸𝜔 :𝜂(𝜔)⊇𝑓∆𝐴
− 𝑟𝑒 1− 𝜔 𝑒
= 𝑟𝑒2
𝑒∈𝑓∆𝐴
1 −𝑟𝑒2
𝑒∉𝑓∆𝐴
Dengan 1e yang merupakan fungsi
indikator pada kejadian {𝑒 ∈ 𝑓},
dapat ditulis kembali seperti berikut
ini :
Jurnal Ilmiah “DUNIA ILMU” Vol.2 No.1 Maret 2016
131
ℙ 𝐹 = 𝑓
∝ 𝑟𝑒2
1𝑒
𝑒∉𝐴
1
−𝑟𝑒2
1−1𝑒
𝑟𝑒2
1−1𝑒
1 −𝑟𝑒2
1𝑒
𝑒∈𝐴
= 𝑝𝑒 1𝑒
𝑒∉𝐴 1 −
𝑝𝑒 1−1𝑒 (𝑝𝑒)1−1𝑒 1 − 𝑝𝑒
1𝑒𝑒∈𝐴
= 𝑝𝑒 1𝑒
𝑒∉𝐴 1 −
𝑝𝑒 1−1𝑒
∝ 𝜌𝒑(𝑓).
(4.4)
Ini bertentangan dengan
dengan Teorema 4.1. Ambil random
even subgraph (V, F) di G = (V, E)
dengan parameter p ≤1
2 . Untuk
setiap 𝑒 ∉ 𝐹, dapat ditentukan suatu
warna random bebas, biru dengan
peluang p / (1 – p) dan merah untuk
yang lainnya. Misalkan H diperoleh
dari F dengan menambahkan di
semua edge biru.
Teorema 4.4. Graph (V, H) memiliki
aturan 𝜙2𝑝 ,2.
Bukti : Untuk ⊆ 𝐸 ,
ℙ(𝐻 = ) ∝
𝑝
1−𝑝 𝐽
𝑝
1−𝑝 \𝐽
1−2𝑝
1−𝑝 𝐸\
𝐽⊆ , 𝐽 genap
∝ 𝑝 1 − 2𝑝 𝐸\ 𝑁 ,
(4.5)
dimana 𝑁(h) adalah jumlah subgraph
genap di (V, h). Seperti pembuktian
di atas, 𝑁 = 2 − 𝑉 +𝑘() dimana
𝑘() adalah jumlah komplemen dari
(V, h).
Suatu edge 𝑒 dari graph
disebut cyclic jika edge tersebut
termasuk di dalam beberapa cycle
suatu graph.
Corollary : Untuk 𝑝 ∈ 0,1
2 dan
𝑒 ∈ 𝐸,
𝜌𝑝 (e terbuka) = 1
2𝜙2𝑝 ,2 (e adalah
suatu cyclic edge di graph terbuka)
Dengan menghitung di atas
𝑒 ∈ 𝐸, dapat disimpulkan bahwa
rata-rata jumlah edge terbuka
dibawah 𝜌𝑝 adalah setengah dari
rata-rata jumlah cyclic edge dibawah
𝜙2𝑝 ,2.Bukti : Misalkan 𝜔 ∈ Ω dan 𝒞
adalah maximal family dari cycle
bebas 𝜔. Misalkan R = (V, 𝛾) adalah
random even subgraph yang uniform
di (V, 𝜂(𝜔)) , suatu tafsiran yang
menggunakan Dalil 2.2 dan 𝒞 .
Untuk 𝑒 ∈ 𝐸, misalkan Me adalah
jumlah elemen dari 𝒞 yang
memasukkan e. Jika Me ≥ 1, maka
jumlah cycle Me pada 𝛾 yang telah
terpilih dalam susunan/bentuk pada
𝛾 adalah sama seperti penggunaan
genap atau ganjil. Oleh karena itu,
Jurnal Ilmiah “DUNIA ILMU” Vol.2 No.1 Maret 2016
132
ℙ 𝑒 ∈ 𝛾 𝜔 = 1
2 jika 𝑀𝑒 ≥ 1
0 jika 𝑀𝑒 = 0
(4.6)
4.2.Sampling Even Subgraph
Seperti dinyatakan diawal
bahwa Teorema 4.1 memberikan
suatu cara yang sistematis pada
sampling even subgraph di G yang
sesuai dengan ukuran peluang
𝜂𝑝 dengan p ≤ 1
2 . Coupling-from-
the-past (cftp) hanya digunakan
untuk memberi contoh pada ukuran
random-cluster 𝜙2𝑝 ,2 , kemudian
melepaskan koin secara adil sekali
untuk setiap anggota dari beberapa
himpunan bebas yang maksimal dari
cycle G. Diingatkan kembali
bahwasannya implementasi
(pelaksanaan) dari cftp ini
berdasarkan pada periode waktu T
secara acak yang bagian akhirnya
dibatasi oleh suatu distribusi
geometri ; yang berakhir dengan
peluang 1 dengan suatu sample yang
tepat dari target distribusi. Sedikit
lebih rumit ketika p > 1
2 dan G tidak
hanya genap, sehingga dilihat dari
situasinya ukuran random cluster
digunakan dalam Teorema 4.2 dan
4.3 baik monoton maupun anti-
monoton. Kemudian akan dicari
bagaimana menyesuaikan teknik cftp
pada beberapa situasi.
Misalkan E adalah suatu
himpunan finite tak kosong dan 𝜇
adalah ukuran peluang pada product
space Ω = {0, 1}E. Dikatakan 𝜇
monoton (respectively, anti-
monoton) jika 𝜇 1𝑒 𝜉𝑒 adalah non-
decreasing (respectively, non-
increasing) dimana 𝜉 ∈ Ω. Dimana,
1𝑒 adalah fungsi indikator yang
edge-nya e adalah terbuka dan 𝜉𝑒
adalah bentuk yang diperoleh dari 𝜉
pada E \ {e}. Untuk 𝑒 ∈ 𝐸, 𝜓 ∈ Ω,
dan b = 0,1 , maka 𝜓𝑒𝑏 ditulis sebagai
bentuk yang sesuai dengan 𝜓 pada e
dan memperoleh nilai b pada e.
Secara standar cftp mungkin dapat
digunakan untuk sample dari 𝜇 jika 𝜇
adalah monoton dan akan dijelaskan
bagaimana menyesuaikan apabila 𝜇
adalah anti-monoton. Suatu
mekanisme diusulkan sebagai hasil
dalam sample yang tepat dari 𝜇 tanpa
asumsi apapun dari (anti-
)monotonicity. Mekanisme ini dapat
digunakan dalam kerangka umum
yang lebih banyak pada “bounding
chain”, akan tetapi tidak sesuai
dalam pekerjaannya, karena pada
kenyataannya Ω adalah partially
ordered (orde sebagian).
Jurnal Ilmiah “DUNIA ILMU” Vol.2 No.1 Maret 2016
133
Misalkan 𝑆𝜇 = {𝜔 ∈ Ω :
𝜇 𝜔 > 0} , subset dari Ω yang
mana 𝜇 adalah strictly positive
(benar-benar positif) dan asumsikan
secara sederhana bahwa 𝑆𝜇 adalah
increasing dan 1 ∈ 𝑆𝜇 , dimana 1
(respectively, 0) menunjukkan
bentuk untuk ‘semua bernilai 1’
(respectively, ‘semua bernilai 0’).
Asumsi ini dikatakan valid pada
pengaturan sekarang ini (current
setting) , tetapi tidak dapat digunakan
untuk semuanya seperti berikut ini.
Dimulai dengan contoh Gibbs
yang biasa/lazim digunakan untuk 𝜇.
Ini adalah suatu discrete-time
Markov chain G = (Gn : n ≥ 0) pada
state space Ω. Anggap Gn = 𝜉.
Secara uniform distribusi anggota di
E sudah terpilih, sebut saja 𝑒, dan
juga variabel random U dengan
distribusi uniform pada [0, 1].
Kemudian Gn + 1 = 𝜉′ dimana 𝜉′(𝑓)
untuk 𝑓 ≠ 𝑒 dan
𝜉′(𝑒) = 0 jika U > μ 1𝑒 𝜉𝑒
1 jika U ≤ μ 1𝑒 𝜉𝑒 .
Aturan transisi baik digunakan
jikalau 𝜉𝑒1 ∈ 𝑆𝜇 . Ini baik sekali
digunakan dalam memperluas
definisi dari susunan/bentuk yang
tidak berada dalam 𝑆𝜇 dan pada
akhirnya diperoleh :
μ 1𝑒 𝜉𝑒 = max
μ 1𝑒 𝜓𝑒 : 𝜓𝑒 ≥ 𝜉𝑒 , 𝜓𝑒1 ∈ 𝑆𝜇
(4.7)
dimana 𝜉𝑒1 ∉ 𝑆𝜇 .
Misalkan (𝑒𝑛 ,𝑈𝑛) adalah
barisan yang independent (bebas).
Asumsikan (𝐴𝑛 ,𝐵𝑛 ∶ 𝑛 ≥ 0) adalah
Markov chain dengan state space Ω2
dan (𝐴0 ,𝐵0) = (0, 1). Anggap
(𝐴𝑛 ,𝐵𝑛) = (𝜉 , 𝜂) dimana 𝜉 ≤ 𝜂.
Buat (𝐴𝑛+1 ,𝐵𝑛+1) = (𝜉′ , 𝜂′) dimana
𝜉′(𝑓) = 𝜉(𝑓) , 𝜂′(𝑓) = 𝜂(𝑓) untuk
𝑓 ≠ 𝑒𝑛+1 , dimana 𝑒 = 𝑒𝑛+1.
Diperoleh :
𝜉′(𝑒) = 1 jika dan hanya jika
𝑈𝑛+1 ≤ 𝛼 ,
𝜂′(𝑒) = 1 jika dan hanya jika
𝑈𝑛+1 ≤ 𝛽 ,
dimana
𝛼 = 𝛼 𝜉 , 𝜂 =
min μ 1𝑒 𝜓𝑒 : 𝜉𝑒 ≤ 𝜓𝑒 ≤ 𝜂𝑒 ,
𝛽 = 𝛽 𝜉 , 𝜂 =
max μ 1𝑒 𝜓𝑒 : 𝜉𝑒 ≤ 𝜓𝑒 ≤ 𝜂𝑒 .
(4.8)
Jurnal Ilmiah “DUNIA ILMU” Vol.2 No.1 Maret 2016
134
Sehingga 𝛼 ≤ 𝛽 , kita mempunyai
𝜉′ ≤ 𝜂′.
Rantai (A, B) dimulai pada
waktu yang negatif (negative times),
merupakan cara yang ditentukan oleh
cftp. Misalkan T adalah waktu
perpaduan (coalescence time). Lebih
tepatnya lagi, untuk 𝑚 ≥ 0, misalkan
(𝐴𝑘 𝑚 ,𝐵𝑘 𝑚 ∶ −𝑚 ≤ 𝑘 ≤ 0)
menunjukkan bahwa rantai dimulai
dengan 𝐴−𝑚 𝑚 = 0 , 𝐵−𝑚 𝑚 = 1 ,
yang menggunakan suatu barisan
random yang fixed 𝑒𝑛 ,𝑈𝑛 −∞0
untuk semua 𝑚, dan diperoleh
T = min { m ≥ 0 : 𝐴0 𝑚 ,𝐵0 𝑚 } ,
(4.9)
sehingga 𝐴0 𝑇 ,𝐵0 𝑇 .
Teorema 4.5. Jika 𝑆𝜇 increasing
dan 1 ∈ 𝑆𝜇 , maka 𝑃 𝑇 < ∞ = 1
dan 𝐴0 𝑇 memiliki aturan 𝜇.
Bukti : Dari definisi 𝑆𝜇 dan
persamaan (4.7), terdapat 𝜂 =
𝜂 𝐸, 𝜇 > 0 sedemikian sehingga
μ 1𝑒 𝜉𝑒 ≥ 𝜂 untuk semua 𝑒 ∈ 𝐸 dan
𝜉 ∈ Ω. Pada setiap panjang interval
waktu yang diberikan 𝐸 , terdapat
peluang positif yang utuh yang
barisannya (𝑒𝑖 ,𝑈𝑖) memenuhi
𝐸 = 𝑒𝑖 dan 𝑈𝑖 < 𝜂 untuk semua 𝑖.
Pada kejadian ini, proses A yang
rendah mendapat nilai 1 setelah
intervalnya lewat, sehingga
perpaduannya ada. Kejadian yang
sesuai dengan interval waktu yang
berbeda dikatakan bebas
(independent), dimana bagian akhir
dari waktu T tidak lebih besar
daripada geometri.
Misalkan G = (V, E) adalah
graf finite, dan W ⊆ V merupakan
himpunan vertex tak kosong dengan
𝑊 genap. Misalkan r = (𝑟𝑒 ∶ 𝑒 ∈ 𝐸)
adalah jumlah vektor dari (0, 1] dan
asumsikan 𝜙𝑟 ,𝑞 sebagai ukuran
random cluster di G dengan
parameter edge r dan q ≥ 1.
Kemudian 𝜙𝑟 ,𝑞𝑊 untuk 𝜙𝑟 ,𝑞ditulis
sebagai kejadian dimana graph
terbuka adalah W-genap dan catatan
bahwa 𝜙𝑟 ,𝑞𝑊 baik monoton maupun
anti-monoton. Kejadian 𝑆𝜇 dapat
dengan mudah meningkat
(increasing) dan 1 ∈ 𝑆𝜇 . Oleh
karena itu, Teorema 4.5 dapat juga
digunakan pada ukuran 𝜇 = 𝜙𝑟 ,𝑞𝑊 .
Grimmet dan Janson (2009)
Jurnal Ilmiah “DUNIA ILMU” Vol.2 No.1 Maret 2016
135
5. Kesimpulan
Dalam penelitian ini dapat
disimpulkan beberapa hal sebagai
berikut :
1. Subgraph (V, F) dikatakan genap
jika F-nya genap dan ditulis ℇ
untuk himpunan semua subset
genap F di E. F ⊆ E dikatakan
genap jika untuk semua 𝑥 ∈ 𝑉,
dimana 𝑥 berincident terhadap
jumlah anggota F genap.
2. Random even subgraph dengan
parameter p [0, 1) didefinisikan
dari suatu persamaan 𝜌p(F) =
1
𝑍𝐸 𝑝 𝐹 (1 − 𝑝) 𝐸\𝐹 untuk suatu
graph finite G = (V, E).
3. Jika peluangnya p = 1
2 , maka
setiap even subgraph akan
memiliki peluang yang sama,
sehingga 𝜌12 dikatakan sebagai
random even subgraph yang
uniform di G.
4. Misalkan p ∈ 1
2, 1 , jika G
genap, maka sampel dari 𝜌𝑝
dengan sampling pertama
subgraph (V, 𝐹 ) dari 𝜌1−𝑝 dan
komplemennya (V, E\𝐹 ) memiliki
distribusi 𝜌𝑝 . Sampling even
subgraph di G menggunakan
ukuran peluang 𝜂𝑝 dengan 𝑝 ≤ 1
2.
Sehingga hanya dengan
menggunakan cftp inilah untuk
memberi contoh (sample) pada
ukuran random cluster 𝜙2𝑝 ,2.
DAFTAR PUSTAKA
Biggs N.L., (1993), Algebraic Graph
Theory,2nd
ed., Cambridge,
England : Cambridge
University Press, p. 161.
Bollobás B., (1984), Random
Graphs, 2nd
ed., Cambridge,
Baton Rouge.
Bollobás B., Grimmet G., Janson S.,
(1996), The Random Cluster
Model On The Complete
Graph, Math. Stat., 104, 283-
317.
Bondy J.A. dan Murty U.S.R.,
(2007), Graph Theory,
Springer, Berlin.
Borgs C., Chayes J.T., Hofstad R.,
Slade G., dan Spencer J.,
(2004), Random Subgraphs Of
Finite Graphs : I. The Scaling
Window Under The Triangle
Condition, New York.
Jurnal Ilmiah “DUNIA ILMU” Vol.2 No.1 Maret 2016
136
Chung F., Horn P., dan Lu L.,
(2002), The Giant In A
Random Subgraph Of A Given
Graph, California.
Clark L., (2002), Random Subgraphs
Of Certain Graph Powers,
IJMMS 32:5 , 285-292.
Grimmett G. dan Janson S., (2009),
Random Even Graphs,
Electron. J. Combin. 16.
Grimmett G. dan Kesten H., (1984),
Random Electrical Networks
On Complete Graphs II :
Proofs, J. Lond. Math. Soc., 30,
171-192.
Kashtan N., Itzkovitz S., Milo R.,
dan Alon U., (2004), Efficient
Sampling Algorithm For
Estimating Subgraph
Concentrations And Detecting
Network Motifs,
Bioinformatics, 20, 1746-1758.
Soshnikov A. dan Sudakov B.,
(2003), On The Largest
Eigenvalue Of A Random
Subgraph Of The Hypercube,
Comm. Math. Phys., 239, 53-
63.