15. neuro fuzzy

7/26/2019 15. Neuro Fuzzy

http://slidepdf.com/reader/full/15-neuro-fuzzy 1/40

Neuro Fuzzy



Pendahuluan

Neuro fuzzy merupakan gabungan atau integrasi antara 2 metode

yaitu: Jaringan syarat tiruan dengan sistem fuzzy, Sistem fuzzy memiliki keunggulan dalam memodelkan aspek kualitatif

dari pengetahuan manusia dan proses pengambilan keputusan

(reasoning) sebagaimana dilakukan oleh manusia dengan

menerapkan basis aturan atau basis kaidah.

Sistem fuzzy dapat mengatasi kesulitan dalam melukiskan suatusistem fisis yang komplek dan sukar dimodelkan secara matematis.

Informasi yang digunakan oleh sistem fuzzy adalah pengetahuan

kualitatif tentang sistem dengan sarana linguistik.

Karena terdiri dari basis aturan dan label linguistik sebagaimanadalam kehidupan manusia, sistem fuzzy secara intuitif mudah

dipahami oleh manusia.

Tingkat kehandalan sistem fuzzy sangat bergantung kepada aturan

yang digunakan dalam basis kaidah.



Pendahuluan

Sistem berstruktur jaringan neural diilhami oleh karakteristik sistem

biologis jaringan sel syaraf manusia (neuron) dalam memprosessinyal informasi pada masukan melalui suatu fungsi pembobot dan

fungsi aktivasi untuk menghasilkan sinyal keluaran yang akan

diteruskan pada sel yang lain.

Keunggulan dari sistem ini adalah kemampuan belajar terhadap

informasi numerik melalui algoritma belajar (learning algorithm) untukmemperbaiki parameter pada fungsi pembobot dan fungsi

aktivasinya.

Selama ini kesulitan didalam merancang arsitektur jaringan terletak

pada menentukan seberapa banyak lapisan-lapisan dalam (hidden

layer) yang akan digunakan sehingga struktur jaringan cukupmemadai.



Jenis neuro-fuzzy

1. Fuzzy Adaptive Learning Control Network (FALCON)

FALCON memiliki arsitektur lima-lapis seperti yang ditunjukkan pada

Gambar 1.

Ada dua node linguistik untuk setiap variabel output, node pertama

untuk menyimpan data pelatihan dan node kedua untuk output target

FALCON.

Lapisan tersembunyi pertama bertanggung jawab untuk fuzzifikasi

dari masing-masing variabel input.

Node tunggal atau multilayer node digunakan untuk mewakili fungsi

keanggotaan.

Prasyarat yang diperlukan untuk FIS didefinisikan dalam lapisan

tersembunyi kedua dan konsekuen aturan dalam lapisan tersembunyi

ketiga.



Jenis neuro-fuzzy

Algoritma pembelajaran terawasi diterapkan pada arsitektur FALCONuntuk menemukan fungsi keanggotaan awal, aturan dasar, dan

gradient descent pembelajaran secara optimal memperbarui

parameter dari MF untuk menciptakan output yang diinginkan.

Gambar 1. Arsitektur FALCON



Jenis neuro-fuzzy

2. Generalized Approximate Reasoning-Based Intelligent Control

(GARIC) GARIC menerapkan neuro-fuzzy kontroler dengan menggunakan dua

modul jaringan saraf, ASN (Action Selection Network) dan AEN

(Action State Evaluation Network).

AEN menilai kegiatan ASN tersebut.

Bagian ASN dari GARIC adalah jaringan feedforward dengan lima

lapisan tanpa bobot koneksi antara lapisan.

Gambar 2 menggambarkan struktur GARIC-ASN.

Nilai-nilai linguistik disimpan dalam lapisan tersembunyi pertama dan

unit input terhubung ke unit ini.

Basis aturan fuzzy disimpan dalam lapisan tersembunyi kedua.

Lapisan tersembunyi ketiga mewakili nilai-nilai linguistik dari variabel

output kontrol.



Jenis neuro-fuzzy

Metode defuzzifikasi yang digunakan untuk menghitung output aturan

dalam GARIC adalah mean dari metode maksimum.

Output crisp diambil dari setiap aturan, maka output harus

didefuzzifikasi sebelum mengakumulasi untuk hasil nilai akhir dari

kontroler.

Metode pembelajaran yang digunakan dalam GARIC adalah

kombinasi dari penurunan gradien dan penguatan pembelajaran.

Gambar 2. Arsitektur GARIC



Jenis neuro-fuzzy

3. Neuro-Fuzzy Control (NEFCON)

NEFCON dirancang untuk meimplementasikan Mamdani jenis FISdan diilustrasikan pada Gambar 3.

Hubungan antara lapisan di NEFCON ditimbang dengan fuzzy set

dan aturan yang disebut bobot bersama.

Koneksi bobot menjamin kesatuan basis aturan.

Di antara tiga lapisan dalam struktur NEFCON, unit masukan

menyajikan nilai-nilai linguistik, dan unit output adalah antarmuka

defuzzifikasi.

Lapisan tersembunyi tengah berfungsi sebagai inferensi fuzzy.

Model NEFCON menggunakan kombinasi penguatan danpembelajaran backpropagation.



Jenis neuro-fuzzy

NEFCON mampu belajar aturan dasar awal, jika tidak ada

pengetahuan tentang sistem yang tersedia atau bahkan untukmengoptimalkan basis aturan yang ditetapkan secara manual.

NEFCON memiliki dua varian: NEFPROX (untuk fungsi aproksimasi)

dan NEFCLASS (untuk tugas-tugas klasifikasi).

Gambar 3. Arsitektur NEFCON



Jenis neuro-fuzzy

4. Fuzzy Inference and Neural Network in Fuzzy InferenceSoftware (FINEST)

FINEST mampu dua pada jenis proses tuning, tuning predikat fuzzy,

fungsi kombinasi, dan tuning fungsi implikasi. Modus ponens yang

dibangkitkan meningkat dengan empat cara berikut

(1) operator agregasi yang memiliki sinergi dan pembatalan alami

(2) Sebuah fungsi implikasi parameter

(3) fungsi Kombinasi yang dapat mengurangi kekaburan

(4) Backward chaining berdasarkan Modus ponens umum

Tuning parameter dalam FINEST dilakukan dengan algoritma

backpropagation.



Jenis neuro-fuzzy

Gambar 4 menunjukkan arsitektur berlapis FINEST dan proses

perhitungan inferensi fuzzy. FINEST menyediakan kerangka kerja untuk menyetel parameter,

yang muncul dalam node jaringan yang mewakili proses perhitungan

data fuzzy jika fungsi derivatif sesuai dengan parameter yang

diberikan.

Gambar 4. Arsitektur

FINEST



Jenis neuro-fuzzy

5. Fuzzy Net (FUN)

Arsitektur FUN terdiri dari tiga lapisan, neuron dalam lapisantersembunyi pertama memfuzzifikasi variabel input dan juga

menentukan fungsi keanggotaan.

Operasi Fuzzy “AND” dilakukan pada lapisan tersembunyi kedua.

Fungsi keanggotaan variabel keluaran disimpan dalam lapisantersembunyi ketiga dengan fungsi aktivasi Fuzzy-OR.

Output neuron memdefuzzifikasi dengan menggunakan metode

defuzzifikasi yang tepat.

Jaringan ini diinisialisasi dengan dasar aturan fuzzy dan fungsi

keanggotaan yang sesuai.



Jenis neuro-fuzzy

Parameter dari fungsi keanggotaan yang diubah denganmenggunakan prosedur pembelajaran.

Proses pembelajaran dipaksa oleh fungsi cost, yang dievaluasi

setelah perubahan acak fungsi keanggotaan.

Setiap kali perubahan yang mengakibatkan peningkatan kinerja

perubahan tersebut akan disimpan, jika tidak hancur.



Jenis neuro-fuzzy

6. Evolving Fuzzy Neural Network (EFuNN)

Dalam EFuNN semua node dibuat selama proses belajar.

Arsitektur dari EFuNN ditunjukkan pada Gambar 5.

Informasi ini diteruskan dari lapisan input ke lapisan kedua dimana

derajat keanggotaan fuzzy dihitung berdasarkan nilai-nilai masukan

sebagai fungsi keanggotaan fuzzyyang telah ditetapkan. rulebase fuzzy ada dalam lapisan ketiga dan aturan-aturan ini

merupakan prototipe data input-output.

Bobot koneksi digunakan untuk menggambarkan node aturan, dan

aturan ini disesuaikan melalui teknik pembelajaran hybrid.

Lapisan keempat menghitung derajat fungsi keanggotaan output yang

dicocokkan dengan data masukan, dan lapisan kelima

mendefuzzifikasi dan menghitung nilai-nilai yang tepat untuk variabel

output.



Jenis neuro-fuzzy

Dynamic Evolving Fuzzy Neural Network (DmEFuNN) adalah versi

yang diperluas dari EFuNN, dimana aktivasi aturan simpul pemenang

ini disebarkan dan sekelompok node aturan yang dinamis dipilihuntuk setiap vektor masukan baru dan nilai-nilai aktivasi mereka

digunakan untuk menghitung parameter dinamis dari fungsi output.

Sementara EFuNN menerapkan aturan fuzzy tipe Mamdani,

DmEFuNN memperkirakan aturan Takagi-Sugeno berdasarkan

algoritma kuadrat.

Gambar 5.

Arsitektur EFuNN



Jenis neuro-fuzzy

7. Self –Constructing Neural Fuzzy Inference Network (SONFIN)

SONFIN menerapkan modifikasi FIS Takagi-Sugeno dandiilustrasikan pada Gambar 6.

Dalam identifikasi struktur bagian prasyarat, ruang input dipartisi

dengan cara yang fleksibel sesuai dengan algoritma yang

berdasarkan pengelompokan selaras.

Untuk mengidentifikasi bagian konsekuen, nilai tunggal dipilih dengan

metode clustering dan ditugaskan untuk setiap aturan awal.

Beberapa variabel input tambahan dipilih melalui ukuran korelasi

berbasis proyeksi untuk setiap aturan dan ditambahkan ke bagian

konsekuen membentuk persamaan linear dari variabel input.

Untuk identifikasi parameter, parameter konsekuen disetel secara

optimal oleh salah satu algoritma least mean squares or recursive

least squares dan parameter prasyarat disetel oleh algoritma

backpropagation.



Jenis neuro-fuzzy

Gambar 6. Arsitektur SONFIN



Jenis neuro-fuzzy

8. Adaptive Neuro-Fuzzy Inference Sistem (ANFIS)

Kesulitan yang akan dijumpai dalam menentukan aturan-aturan yangakan dimasukkan kedalam basis kaidah sistem fuzzy dan kesulitan

yang dijumpai dalam merancang seberapa banyak lapisan dalam

yang akan digunakan dalam struktur jaringan neural, dapat diatasi

dengan menggabungkan kedua sistem ini menjadi sistem neuro-fuzzy

struktur ANFIS (Adaptive Neuro-Fuzzy Inference System).

ANFIS menerapkan Takagi-Sugeno FIS

Dalam ANFIS jumlah hidden node pada neural network adalah sesuai

dengan sistem fuzzy yang terdiri dari tiga bagian yaitu:

– fuzzyfikasi (layer1), – sistem inferensi fuzzy (layer 2 dan 3),

– dan defuzzyfikasi (layer 4).

Arsitektur jaringan neural yang dipakai sudah ditentukan yaitu

sebanyak 5 lapisan yang dibuat tetap.



Jenis neuro-fuzzy

Dalam bidang kontrol, ANFIS mempunyai kemampuan untukmenangani sistem yang komplek, nonlinier dan berubah terhadap

waktu melalui algoritma belajar terhadap data numerik dari sistem.

Pengontrol neuro-fuzzy yang berstruktur ANFIS akan digunakan

untuk melakukan proses peramalan beberapa data time series

bertipe stasioner (sunspot), random (indeks saham), non stasioner(airline) dan musiman (beban listrik).



Adaptive Neuro-Fuzzy Inference System(ANFIS)

Jaringan neural adalah struktur jaringan dimana keseluruhan tingkahlaku masukan-keluaran ditentukan oleh sekumpulan parameter-

parameter yang dimodifikasi.

Salah satu struktur jaringan neural adalah multilayer perceptrons

(MLP).

Jenis jaringan ini khusus bertipe umpan maju.

MLP telah diterapkan dengan sukses untuk menyelesaikan masalah-

masalah yang sulit dan beragam dengan melatihnya menggunakan

algoritma propagasi balik dari kesalahan atau error backpropagation

(EBP).



Selanjutnya, sistem fuzzy dapat melukiskan suatu sistem denganpengetahuan linguistik yang mudah dimengerti.

Sistem infererensi fuzzy dapat ditala dengan algoritma propagasi

balik berdasarkan pasangan data masukan-keluaran menggunakan

arsitektur jaringan neural.

Dengan cara ini memungkinkan sistem fuzzy dapat belajar.

Gabungan sistem fuzzy dengan jaringan neural ini

biasa disebut dengan neuro-fuzzy.

Adaptive Neuro-Fuzzy Inference System(ANFIS)



Struktur ANFIS

Sistem neuro-fuzzy berstruktur ANFIS ( Adaptive Neuro FuzzyInference Sistem atau biasa disebut juga Adaptive Network-based

Fuzzy Inference Sistem) termasuk dalam kelas jaringan neural

namun berdasarkan fungsinya sama dengan sistem inferensi fuzzy.

Pada neuro-fuzzy, proses belajar pada jaringan neural dengan

sejumlah pasangan data berguna untuk memperbaharui parameter-parameter sistem inferensi fuzzy.

Fuzzy inference sistem yang digunakan memiliki dua input yaitu x dan

y dan satu output f .

Untuk model fuzzy Sugeno orde satu, aturan yang umum dengan duaaturan fuzzy if-then, adalah sebagai berikut:

Rule 1 : if x is A1 and y is B1, then f1 = p1x + q1y + r1;

Rule 2 : if x is A2 and y is B2, then f2 = p2x + q2y + r2;



Struktur ANFIS

Gambar 1. Model fuzzy Sugeno orde satu dua input

dengan dua aturan

Gambar 2. struktur ANFIS



Struktur ANFIS

Lapisan 1: Lapisan Fuzzyfikasi

Setiap simpul i pada lapisan ini adalah simpul

adaptif dengan fungsi simpul [2]:

O1,i = μAi(x) untuk i = 1, 2; atau

O1,i = μBi(y) untuk i = 1, 2,

dimana x (atau y ) adalah masukan bagi simpul i , dan Ai (atau Bi-2 )

adalah label bahasa (linguistic label) seperti misalnya “kecil” atau

“luas”, dll.



Struktur ANFIS

Dengan kata lain, O1,i adalah tingkatan keanggotaan dari himpunanfuzzy A (= A1, A2 , B1 atau B2 ) dan menentukan derajad keanggotaan

dari masukan x (atau y ) yang diberikan.

Fungsi keanggotaan parameter dari A dapat didekati dengan fungsi

bell

dengan parameter b biasanya positif.

Parameter c letaknya di tengah kurva.

Fungsi keanggotaan Gaussian dinyatakan dengan:



Struktur ANFIS

Lapisan 2: Lapisan Produk

Setiap node pada lapisan ini terdiri atas operator prod t-norm sebagai

fungsi node.

Lapisan ini mensintesiskan pentransmisian informasi dengan lapisan

1 dan perkalian semua sinyal yang masuk dan mengirim produkkeluar.



Struktur ANFIS

Output dari lapisan produk dinyatakan dengan:

Setiap node pada lapisan ini melayani sebagai ukuran kekuatan dari

aturan (firing strength of a rule).

Output pada lapisan ini bertindak sebagai fungsi bobot.



Struktur ANFIS

Lapisan 3: Lapisan Normalisasi

Setiap node pada lapisan ini menormalisasi fungsi bobot yang

didapat dari lapisan produk sebelumnya.

Output normalisasi dihitung dengan:



Struktur ANFIS

Lapisan 4: Lapisan Defuzzifikasi

Node pada lapisan ini adalah adaptif alami. Output defuzzyfikasi dari

lapisan ini dihitung dengan formula:

dengan αi, βi and γi adalah linier parameter konsekuen kesesuaian

node i.



Struktur ANFIS

Lapisan 5: Lapisan Total Output

Node tunggal pada lapisan ini mensintesiskan informasi yang

dikirimkan dengan lapisan 4 dan mengembalikan keseluruhan output

menggunakan fungsi tetap berikut:



Algoritma Belajar Hybrid

ANFIS dalam kerjanya mempergunakan algoritma belajar hybrid ,

yaitu menggabungkan metode Least-squares estimator (LSE) danerror backpropagation (EBP).

Dalam struktur ANFIS metode EBP dilakukan di lapisan 1, sedangkan

metode LSE dilakukan di lapisan 4.

Pada lapisan 1 parameternya merupakan parameter dari fungsi

keanggotaan himpunan fuzzy sifatnya nonlinier terhadap keluaransistem.

Proses belajar pada parameter ini menggunakan metode EBP untuk

memperbaharui nilai parameternya.

Sedangkan pada lapisan ke 4, parameter perupakan parameter linierterhadap keluaran sistem, yang menyusun basis kaidah fuzzy.

Proses belajar untuk memperbaharui parameter.

Lapisan ini menggunakan metode Least-squares Estimator (LSE).



Algoritma Belajar Hybrid

Proses belajar pada ANFIS dapat dilihat pada Tabel I.

Arah Maju Arah Mundur

Parameter premis Tetap EBP

Parameter konsekuen LSE Tetap

Sinyal Keluaran

simpul

Sinyal

kesalahan



Aplikasi ANFIS

Performansi Neuro Fuzzy Untuk Peramalan Data Time Series(Fariza dkk)

Pemodelan Kecepatan Angin Rata-Rata Di Sumenep Menggunakan

Mixture Of Anfis (Permai dkk)

Peramalan Indeks Harga Saham Gabungan Dengan Menggunakan

Metode Adaptive Neuro-Fuzzy Inference System (Dewi)

Simulasi Aplikasi Anfis (Adaptive Neuro-Fuzzy Inference System)

Tiruan Pid Pada Pengendalian Tinggi Permukaan Air (Wahyunggoro

dan Charles)

Model Kontrol Prediksi Berbasis Anfis Pada Heat Exchanger (Ruslim)

http://localhost/var/www/s2/tesis/referensi/anfis%20pso/anfis/PERFORMANSI%20NEURO%20FUZZY%20UNTUK%20PERAMALAN%20DATA%20TIME%20SERIES.pdf

http://localhost/var/www/s2/tesis/referensi/anfis%20pso/anfis/PEMODELAN%20KECEPATAN%20ANGIN%20RATA-RATA.pdf



http://localhost/var/www/s2/tesis/referensi/anfis%20pso/anfis/PERAMALAN%20INDEKS%20HARGA%20SAHAM%20GABUNGAN.pdf


http://localhost/var/www/s2/tesis/referensi/anfis%20pso/anfis/SIMULASI%20APLIKASI%20ANFIS%20TINGGI%20PERMUKAAN%20AIR.pdf


http://localhost/var/www/s2/tesis/referensi/anfis%20pso/anfis1/HEAT%20EXCHANGER.pdf


















http://localhost/var/www/s2/tesis/referensi/anfis%20pso/anfis/PERFORMANSI%20NEURO%20FUZZY%20UNTUK%20PERAMALAN%20DATA%20TIME%20SERIES.pdf



Toolbox matlab ANFIS

Pada command window ketik

>>anfisedit




Load data training – Bisa dari file (.dat)

– Bisa file Demo

Dari fuzzySugeno




Generate FIS, dengan Grid Partition menghasilkan struktur




Generate FIS, dengan Sub Clustering menghasilkan struktur



Toolbox matlab ANFIS Tentukan metode pelatihan, bisa backpropagation atau hybrib

Tentukan batas kesalahan (error tolerance)

Tentukan jumlah epoch, klik Train Now

Jumlah epoch dan

error:




Load data test



P 40


Data dites dengan klik Test Now, menghasilkan

Rata-rata

errordata tes

15. neuro fuzzy

Documents