Adaptive Neuro-Fuzzy Inference System (ANFIS)

بِسْــــــــــــــــــمِ اللهِ الرَّحْمَنِ الرَّحِيْمِ

Apa itu ANFIS ? 

Adaptive Neuro-Fuzzy Inference System (ANFIS) adalah penggabungan mekanisme fuzzy inference system yang 

digambarkan dalam arsitektur jaringan syaraf. Sistem inferensi fuzzy yang digunakan adalah sistem inferensi fuzzy model Tagaki-Sugeno-Kang (TSK) 

orde satu dengan pertimbangan kesederhanaan dan kemudahan komputasi.

Nah ini salah satu contoh ilustrasi mekanisme inferensi fuzzy TSK orde satu dengan dua masukan x dan y (Gambar 1). 

Basis aturan dengan dua aturan fuzzy if-then seperti dibawah ini : 

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

                            premis                                 consequent 

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

                                 premis                             consequent 

Input   : x dan y. Consequent-nya adalah f 


Sistem inferensi fuzzy TSK dua masukan dengan dua aturan

Gimana cara kerjanya? 

    Cara kerjanya seperti sistem FIS biasa cuma cara perhitungannya (algoritmanya) yang beda. Jelasnya gambar diatas memperlihatkan suatu masukan crisp (tidak fuzzy) x dan y, 

Supaya jelas misalnya kita ingin mengontrol kecepatan motor listrik dengan mengatur tegangannya, jadi x itu pengukuran harga variabel yang dikontrol yaitu kecepatan pada saat ke t, dan misalnya y pengukuran pada saat ke t+1 sedangkan f adalah nilai tegangan yang diberikan sebagai sinyal kontrol. Harga x dan y tersebut jelaskan bukan fuzzy. 
    Lalu nilai x dan y tersebut dipetakan pada funggsi keanggotaannya. Dalam gambar diatas tiap-tiap input tersebut dibagi jadi 2 fungsi keanggotaan, x dibagi dalam A1 dan A2 


Anggap misalnya A1 menyatakan small dan A2 menyatakan big. Begitu juga y dibagi dalam fungsi keanggotaan B1 yang menyatakan small dan B2 yang menyatakan big. Dari pemetaan 
tersebut x dan y sudah jadi variabel fuzzy yang masing-masing punya nilai m small dan big tertentu. x mempunyai nilai mA1 dan mA2 sedangkan y punya nilai mB1 dan mB2. 
Nilai masing-masing pasangan input tersebut lalu diagregasi dengan operasi T-norm, 

Misalnya operasi ini adalah operasi AND. Jadi w1 = (mA1 AND  mA2) sedangkan w2 = (mB1 AND mB2).
 Dari basis aturan yang udah dibuat kita tau          
if w=w1 then f1 = p1x + q1y + r1          
if w=w2 then f2 = p2x + q2y + r2 

Nah jadi sekarang kita punya hasil akhir f1 dan f2. Ini merupakan nilai output sinyal kontrol, yaitu tegangan. Perhatikan kita telah loncat dari domain input x dan y (kecepatan) ke domain output f (tegangan). Tapi itu nilai p1, q1,  r1, p2, q2, dan r2 dari mana, siapa yang nentuin? Itu namanya parameter konsekuen yang ditentukan dengan nilai awal tertentu dan akan berubah dengan pembelajaran (algoritma belajar). Pada bagian pembelajaran parameter konsekuen hal ini akan dibicarakan lebih detail. 

    Sekarang yang penting kita udah punya f1 dan f2. Selanjutnya dari nilai f1 dan f2 ini kita perlu mendapatkan satu nilai tegangan sebagai sinyal kontrol. Nah nilai akhir tersebut dihitung dengan persamaan:
Ini namanya defuzzyfikasi. Rumus tersebut sebenarnya diperoleh dari salah satu metode defuzzyfikasi yaitu metode rata-rata tengah 
(centroid). Selesai kaaan.. sekarang kita sudah punya harga tegangan output kontroler yang harus diberikan ke sistem yang kita kontrol. 
Cuma sekarang masalahnya adalah perhitungan dan pembelajaran parameter premis dan konsekuennya kaan...(?)


Baca Selengkapnya diFile Langsung ... Read/Download here 

اَللّـٰــهُمَّ صَلِّ عَـلـٰى سَيَّـدِنَـا مُحَمَّدٍ وَعَـلـٰى أَلِ سَيِّـدِنَا مُحَمَّدٍ وَعَلـٰى أَهْلِ بَــيْـتِهِ

0 Comments