Fuzzy Anfis

1. Pengertian Fuzzy Neural Network Fuzzy Neural Network atau Jaringan Syaraf Kabur atau sistem neurofuzzy adalah mesin belajar yang menemukan parameter sistem kabur (yaitu, himpunan fuzzy, aturan fuzzy) dengan memanfaatkan teknik pendekatan dari jaringan syaraf.

Mengombinasikan sistem fuzzy dengan jaringan syaraf Jaringan syaraf dan sistem fuzzy memiliki beberapa kesamaan. Jika sudah tidak ada model matematika dari masalah yang diberikan, maka keduanya dapat digunakan untuk memecahkan masalah (misalnya pattern recognition,

regression atau density estimation). Jaringan syaraf dan sistem fuzzy

hanya mempunyai kelemahan dan kelebihan yang hampir sepenuhnya hilang dengan menggabungkan kedua konsep-konsep tertentu. Jaringan syaraf hanya dapat ikut berperan jika masalah yang ada diungkapkan oleh contoh yang diamati (dengan jumlah yang cukup). Observasi ini digunakan untuk pelatihan secara black box. Di satu sisi tidak ada pengetahuan tentang masalah ini perlu diberikan. Di sisi lain, bagaimanapun, adalah tidak mudah untuk mengekstrak aturan yang mudah dipahami dari struktur jaringan syaraf tersebut. Sebaliknya, sistem kabur menuntut aturan linguistik sebagai pengganti contoh pembelajaran sebagai pengetahuan sebelumnya. Selanjutnya variabel input dan output harus dijelaskan secara linguistik/bahasa. Jika pengetahuan tidak lengkap, salah atau bertentangan, maka sistem fuzzy harus disetel(tuned). Karena tidak ada pendekatan formal untuk itu, tuning dilakukan dengan cara heuristik. Hal ini biasanya sangat memakan waktu dan rawan kesalahan.

Berikut merupakan perbedaan antara jaringan syaraf dan sistem fuzzy. Neural Networks

Fuzzy Systems

Tidak memerlukan model matematika Tidak memerlukan model matematika Proses learning dari awal

Pengetahuan apriori merupakan hal yang penting

Terdapat beberapa algoritma

Tidak mampu untuk belajar

pembelajaran Perilaku black-box

Interpretasi dan implementasi sederhana

Karakteristik Dibandingkan dengan jaringan syaraf umum, bobot koneksi dan propagasi dan fungsi aktivasi jaringan syaraf fuzzy mempunyai banyak perbedaan. Meskipun ada banyak pendekatan yang berbeda untuk model jaringan syaraf fuzzy (Buckley dan Hayashi, 1994, 1995, dan Nauck Kruse, 1996), sebagian besar menyetujui karakteristik tertentu seperti berikut :

Figure 1: The architecture of a neuro-fuzzy system

1.

Sebuah sistem neuro-fuzzy berbasis dasar sistem fuzzy dilatih dengan menggunakan metode pembelajaran berbasis-data yang berasal dari teori jaringan syaraf. Heuristik ini hanya memperhitungkan informasi lokal akun untuk menyebabkan perubahan lokal dalam sistem fuzzy mendasar.

2.

Hal ini dapat direpresentasikan sebagai seperangkat aturan fuzzy setiap saat proses pembelajaran, yaitu, sebelum, selama dan sesudah.  Dengan demikian sistem dapat diinisialisasi dengan atau tanpa pengetahuan sebelumnya dalam hal aturan fuzzy.

3.

Prosedur pembelajaran dengan terpaksa untuk memastikan sifat semantik sistem fuzzy yang mendasarinya.

4.

Sebuah sistem neuro-Fuzzy mendekati n-dimensi suatu fungsi yang tidak diketahui yang sebagian diwakili oleh contoh-contoh pelatihan.  Aturan fuzzy sehingga dapat diartikan sebagai prototipe yang jelas dari data pelatihan.

5.

Sebuah sistem neuro-fuzzy direpresentasikan sebagai jaringan syaraf feedforward tiga lapis khusus seperti yang ditunjukkan pada Gambar 1.  Lapisan pertama sesuai dengan variabel input.  Lapisan kedua melambangkan aturan fuzzy.  Lapisan ketiga merupakan variabel output.  Set-set fuzzy dikonversi sebagai (fuzzy) bobot koneksi.  Beberapa pendekatan juga menggunakan lima lapisan dimana set-set fuzzy dikodekan dalam masing-masing unit lapisan kedua dan keempat. Namun, model ini dapat diubah ke dalam sebuah arsitektur tiga lapis.

6.

Pada dasarnya seseorang dapat membedakan antara tiga jenis jaringan syaraf fuzzy, yaitu, koperasi, bersamaan dan hibrida FNNs (Nauck et al., 1997).

2. Aplikasi-aplikasi Fuzzy Neural Network 1. Tahun 1990 pertama kali mesin cuci dengan logika fuzzy di Jepang (Matsushita Electric Industrial Company). Sistem fuzzy digunakan untuk menentukan putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan dicuci. Input yang digunakan : seberapa kotor, jenis kotoran, banyaknya yang dicuci. Mesin ini menggunakan sensor optik, mengeluarkan cahaya ke air dan mengukur bagaimana cahaya tersebut sampai ke ujung lainnya. Makin kotor, maka sinar yang sampai makin redup. Sistem juga mampu menentukan jenis kotoran tersebut daki/minyak. 2. Transmisi otomatis pada mobil Nissan,menghemat bensin 12 – 17 % 3. Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu

4. Bidang ilmu kedokteran dan biologi, seperti sistem diagnosis kanker 5. Manajemen dan pengambilan keputusan, misal tata letak pabrik berdasarkan logika fuzzy, pembuatan games berdasarkan logika fuzzy, dll 6. Bidang Ilmu lingkungan, misal kendali kualitas air, prediksi cuaca 7. Bidang Teknik, misal perancangan jaringan komputer, prediksi adanya gempa bumi, dll

3. Definisi 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. 4. Langkah-langkah ANFIS Metode adaptive neuro fuzzy inference system (ANFIS) merupakan metode yang menggunakan jaringan syaraf tiruan untuk mengimplementasikan system inferensi fuzzy. Keunggulan system inference fuzzy adalah dapat menerjemahkan pengetahuan dari pakar dalam bentuk aturan-aturan, namun biasanya

dibutuhkan

waktu

yang

lama

untuk

menetapkan

fungsi

keanggotaannya. Oleh sebab itu dibutuhkan teknik pembelajaran dari jaringan syaraf tiruan untuk mengotomatisasi proses tersebut sehingga dapat mengurangi waktu pencarian, hal tersebut menyebabkan metoda ANFIS sangat baik diterapkan dalam berbagai bidang.

A two-input first-Order Sugeno Fuzzy Model with two rules

A two-input first-Order Sugeno Fuzzy Model with two rules

Asumsi : dua input X dan Y dan satu output Z  Aturan 1 : Jika x dan y A1 B1, maka f1 = p1x + q1y + r1  Aturan 2 : Jika x dan y A2 B2, maka f2 = P2X + q2y + r2

4.1 ANFIS Layer 1

 Setiap node i dalam lapisan ini adalah simpul adaptif dengan fungsi simpul

O1, i = Mai (x), untuk I = 1,2, atau O1, i = MBI-2 (y), untuk I = 3,4  Di mana x (atau y) adalah input ke node i dan Ai (atau Bi) adalah label linguistik ** O1, i adalah anggota kelas dari himpunan fuzzy dan menentukan sejauh mana diberikan masukan x atau y memenuhi mengkuantifikasi  Biasanya, fungsi keanggotaan untuk himpunan fuzzy dapat diberi banyak parameter fungsi keanggotaan, seperti segitiga, trapesium, Guassian, atau fungsi Bell umum.  Parameter dalam lapisan ini disebut sebagai antecedence Parameter

4.2 ANFIS Layer 2

 Setiap node i dalam lapisan ini adalah simpul tetap berlabel P, yang outputnya adalah produk dari semua sinyal yang masuk : O2, i = Wi = min {Mai (x), MBI (y)}, i = 1,2  Setiap keluaran simpul mewakili firing strength of a rule.

4.3 ANFIS Layer 3

Setiap node dalam lapisan ini adalah simpul tetap berlabel N. Simpul yang pertama menghitung rasio rule’s firing strength yang pertama ke jumlah semua rule’s firing strength : O3, i = Wi = Wi / (W1 + W2), i = 1,2 (kekuatan firing dinormalisasi]

4.4 ANFIS Layer 4

Setiap node i dalam lapisan ini adalah simpul adaptif dengan fungsi simpul __

__

O 4,i = wi fi = wi (pix + qiy +ri) …Consequent parameters

4.5 ANFIS Layer 5

Satu node dalam lapisan ini adalah simpul tetap berlabel S, yang menghitung keseluruhan output penjumlahan dari semua sinyal yang masuk : __ O 5,1 = Si wi fi 4.6 Alternatif

Arsitektur ANFIS untuk model Fuzzy Sugeno, normalisasi bobot dilakukan pada lapisan yang terakhir

4.7 Tsukamoto model

Arsitektur ANFIS setara menggunakan model Fuzzy Tsukamoto 5. Aplikasi anfis dalam kehidupan sehari-hari  Pengendalian. Tinggi Permukaan Air  Pengontrolan Sistem Tangki Ganda  Klasifikasi Suara Jantung  Pengendalian Kecepatan Motor Dc  Pada Sistem. Lampu Lalu Lintas Enam Ruas

6. Jaringan Hybrid, dan contohnya

Istilah jaringan syaraf hibrida dapat memiliki dua makna :  Jaringan syaraf biologis berinteraksi dengan model syaraf buatan  Jaringan syaraf tiruan dengan bagian simbolik (atau, sebaliknya, perhitungan simbolik dengan bagian koneksionis).  Makna pertama, neuron buatan dan sinapsis dalam jaringan hybrid bisa menjadi digital atau analog. Untuk tegangan clamp varian digital digunakan untuk memantau potensi membran neuron, untuk mensimulasikan komputasi neuron buatan dan sinapsis dan untuk merangsang neuron biologis dengan menginduksi sinaptik. Untuk varian analog, yang dirancang khusus sirkuit elektronik terhubung ke jaringan neuron hidup melalui elektroda.  Adapun makna kedua, memasukkan unsur perhitungan simbolik dan jaringan syaraf tiruan menjadi satu model merupakan upaya untuk menggabungkan keunggulan dari kedua paradigma sementara menghindari kekurangan. o Representasi simbolik memiliki keunggulan sehubungan dengan eksplisit, kontrol langsung, cepat coding awal, variabel dinamis mengikat dan pengetahuan abstraksi. o Representasi jaringan syaraf tiruan, di sisi lain, menunjukkan keunggulan untuk masuk akal secara biologis, belajar, ketahanan (toleransi kegagalan pengolahan dan pembusukan anggun), dan generalisasi terhadap masukan yang sama. Sejak awal 1990-an banyak upaya telah dilakukan untuk mendamaikan dua pendekatan. 7. Macam-macam jaringan hybrid  Fuzzy Neural Network (FNN), jaringan syaraf dengan input fuzzy, atau bobot fuzzy, fungsi aktivasi (biasanya sigmoid), dan semua operasinya didasarkan atas prinsip-prinsip perluasan dari Zadeh.  Adaptive Neuro Fuzzy Inference System (ANFIS), jaringan syaraf untuk mengimplementasikan fuzzy inference system.  Neural Fuzzy System, jaringan syaraf diinisialisasi dengan pengetahuan pakar dalam bentuk simbol, kemudian dilatih berdasarkan sistem input-

output sistem nyata. Pengetahuan yang diperoleh dari pelatihan kemudian direpresentasikan dalam logika fuzzy.  Fuzzy genetic algorithm, algoritma genetik digunakan untuk memilih aturan-aturan terbaik untuk fuzzy inference system  Neuro-genetic systems, algoritma genetik digunakan sebagai sarana untuk mengukur performansi pembelajaran dari jaringan syaraf 8. Contoh jaringan hybrid 1.

Aplikasi Algoritma Genetika Aplikasi utama - Optimasi Kombinatorial : Desain fisik VLSI, optimasi tata letak, penempatan Routing penjadwalan pekerjaan Signal Processing Waktu estimasi tertunda menggunakan filter FIR untuk sonar / radar pidato coding wavelet coding Kompresi gambar & recognition

2.

Pengaturan aliran udara dingin pada lemari es, pengendali motor pada mesin cuci untuk mencuci wool (Kim,1995)

3.

FNN diaplikasikan untuk mesin cuci, vacuum cleaner, penanak nasi, pencuci piring, pemanggang roti, kulkas, kipas angin, dan fotokopi (Takagi, 1997)

4.

FNN digunakan oleh Toshiba sebagai PID controller untuk melakukan kontrol terhadap udara dan panas pada industri kimia (Ozaki, 1994)

5.

Neuro-fuzzy digunakan untuk melakukan optimasi pada sistem manufaktur yang dikenal dengan arsitektur MANFIS (Multiple Adaptive Neuro Fuzzy Inference System) Cheng, 2005

Sumber : http://en.wikipedia.org/wiki/Hybrid_neural_network

http://www.batan.go.id/ppin/lokakarya/LKSTN_10/Benyamin%20dan%20Ari-.pdf http://ce.sharif.ir/courses/84-85/2/ce667/resources/root/Seminar_no_5/Face%20Recognition%20A%20Hybrid%20Neural%20Network%20Approach.pdf http://cs.nyu.edu/~wanli/wan-zhu-fergus12.pdf http://www.scholarpedia.org/article/Fuzzy_neural_network http://en.wikipedia.org/wiki/Neuro-fuzzy http://indrockz.blogspot.com/2009/05/adaptive-neuro-fuzzy-inference-sistem.html budi.blog.undip.ac.id/files/2009/06/ANFIS