Download - 15. Neuro Fuzzy
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 1/40
Neuro Fuzzy
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 2/40
Page 2
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.
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 3/40
Page 3
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.
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 4/40
Page 4
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.
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 5/40
Page 5
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
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 6/40
Page 6
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.
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 7/40
Page 7
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
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 8/40
Page 8
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.
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 9/40
Page 9
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
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 10/40
Page 10
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.
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 11/40
Page 11
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
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 12/40
Page 12
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.
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 13/40
Page 13
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.
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 14/40
Page 14
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.
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 15/40
Page 15
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
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 16/40
Page 16
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.
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 17/40
Page 17
Jenis neuro-fuzzy
Gambar 6. Arsitektur SONFIN
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 18/40
Page 18
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.
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 19/40
Page 19
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).
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 20/40
Page 20
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).
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 21/40
Page 21
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)
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 22/40
Page 22
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;
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 23/40
Page 23
Struktur ANFIS
Gambar 1. Model fuzzy Sugeno orde satu dua input
dengan dua aturan
Gambar 2. struktur ANFIS
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 24/40
Page 24
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.
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 25/40
Page 25
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:
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 26/40
Page 26
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.
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 27/40
Page 27
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.
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 28/40
Page 28
Struktur ANFIS
Lapisan 3: Lapisan Normalisasi
Setiap node pada lapisan ini menormalisasi fungsi bobot yang
didapat dari lapisan produk sebelumnya.
Output normalisasi dihitung dengan:
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 29/40
Page 29
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.
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 30/40
Page 30
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:
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 31/40
Page 31
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).
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 32/40
Page 32
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
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 33/40
Page 33
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)
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 34/40
Page 34
Toolbox matlab ANFIS
Pada command window ketik
>>anfisedit
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 35/40
Page 35
Toolbox matlab ANFIS
Load data training – Bisa dari file (.dat)
– Bisa file Demo
Dari fuzzySugeno
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 36/40
Page 36
Toolbox matlab ANFIS
Generate FIS, dengan Grid Partition menghasilkan struktur
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 37/40
Page 37
Toolbox matlab ANFIS
Generate FIS, dengan Sub Clustering menghasilkan struktur
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 38/40
Page 38
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:
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 39/40
Page 39
Toolbox matlab ANFIS
Load data test
7/26/2019 15. Neuro Fuzzy
http://slidepdf.com/reader/full/15-neuro-fuzzy 40/40
P 40
Toolbox matlab ANFIS
Data dites dengan klik Test Now, menghasilkan
Rata-rata
errordata tes