Anda di halaman 1dari 4

Perhitungan Sederhana ANFIS

Oleh: Arsyil Hendra Saputra / J2E008009 – Universitas Diponegoro

Misalkan diberikan data runtun waktu sebanyak 8 buah:

t

1

2

3

4

5

6

7

8

Z t

3

5

4

2

6

5

7

4

Diberikan input ANFIS berupa Z t-1 dan Z t-2 sedangkan output berupa Z t :

Data

Z

 

Z

 

Z

 

ke-

t-2

t-1

t

 

1 3

 

5

4

2 5

   

4

2

 

3 4

 

2

6

 

4 2

 

6

5

 

5 6

 

5

7

 

6 5

 

7

4

Misalkan jumlah klaster yang dicobakan adalah 2, maka aturan pada ANFIS basis

aturan model Sugeno:

If Z t-2 is A 1 and Z t-1 is B 1 then Z t = p 1 Z t-2 + q 1 Z t-1 + r 1

If Z t-2 is A 2 and Z t-1 is B 2 then Z t = p 2 Z t-2 + q 2 Z t-1 + r 2

Hasil clustering dengan algoritma FCM:

Data

Derajat keanggotaan

Kecenderungan masuk cluster

ke-

Z

t-2

Z

t-1

C

1

C

2

 

1 0.93403

0.06597

*

 
 

2 0.674176

0.325824

*

 
 

3 0.175299

0.824701

 

*

 

4 0.785267

0.214733

*

 
 

5 0.210751

0.789249

 

*

 

6 0.78891

0.21109

*

 

Lapisan 1:

Misalkan digunakan fungsi keanggotaan Generalized Bell (gbellmf):

( ) =

1

1 +

Arsyil Hendra Saputra | arsyil.blogspot.com | 1

Ditentukan b=1 dan sebagai inisialisasi dari nilai a dan c, digunakan nilai mean

dan standard deviasi, dihitung:

Data

 

C

1

 

C

2

ke-

Z

t-2

Z

t-1

Z

t-2

Z

t-1

   

3

 

5

   
   

5

 

4

   
       

4

 

2

   

2

 

6

   
       

6

 

5

   

5

 

7

   

mean

3.75

5.5

 

5

3.5

sd

1.500

1.291

1.414

2.121

Maka dihitung neuron dari lapisan 1:

1

( ) =

 

1

( ) =

 

1

+ Z 3.75

1.500

1

+ Z 5

1.414

;

( ) =

;

( ) =

1

1 + Z 5.5

1.291

1

1 + Z 3.5

2.121

Output lapisan 1 berupa derajat keanggotaan setiap data, hasilnya:

Data

 

Derajat keanggotaan

 

ke-

 

1 0.800

0.211

1.000

0.667

 

2 0.590

0.870

0.667

0.947

 

3 0.973

0.426

0.182

0.667

 

4 0.424

0.120

0.667

0.419

 

5 0.308

0.870

1.000

0.667

 

6 0.590

0.870

0.333

0.269

Lapisan 2:

= ( ). ( )

;

= ( ). ( )

Data

 

Output lapisan 2

 

ke-

w

1

w

2

 

1 0.800

0.140

 

2 0.393

0.824

 

3 0.177

0.284

 

4 0.282

0.050

Arsyil Hendra Saputra | arsyil.blogspot.com | 2

Lapisan 3:

Lapisan 4:

 

5 0.308

   

0.580

 

6 0.197

   

0.234

 

=

;

=

 

+

+

Data

 

Output lapisan 3

ke-

 

 

 

1 0.851

   

0.149

 

2 0.323

   

0.677

 

3 0.384

   

0.616

 

4 0.849

   

0.151

 

5 0.347

   

0.653

 

6 0.457

   

0.543

= ( Z + Z + ) = ( Z ) + ( Z ) +

= ( Z + Z + ) = ( Z ) + ( Z ) +

Data

           

ke-

Z

Z

Z

Z

 

1 2.552

4.254

0.851

0.448

0.746

0.149

 

2 1.616

1.293

0.323

3.384

2.707

0.677

 

3 1.536

0.768

0.384

2.464

1.232

0.616

 

4 1.698

5.095

0.849

0.302

0.905

0.151

 

5 2.080

1.734

0.347

3.920

3.266

0.653

 

6 2.286

3.200

0.457

2.714

3.800

0.543

Estimasi parameter konsekuen (p 1 , q 1 , r 1 , p 2 , q 2 , r 2 ) dengan LSE rekursif:

A =

2.552

4.254

0.851

0.448

0.746

0.149

1.616

1.293

0.323

3.384

2.707

0.677

1.536

0.768

0.384

2.464

1.232

0.616

1.698

5.095

0.849

0.302

0.905

0.151

2.080

1.734

0.347

3.920

3.266

0.653

2.286

3.200

0.457

2.714

3.800

0.543

Arsyil Hendra Saputra | arsyil.blogspot.com | 3

y =

 

4

2

6

5

7

4

=

p 1

q 1

r 1

p 1

q 1

r 1

Dihitung = ( ) , diperoleh:

35.505

44.993

-314.898

4.361

-41.591

127.172

Dengan demikian, nilai parameter diperoleh:

p 1 = 35.505, q 1 = 44.993, r 1 = -314.898, p 2 = 4.361, q 2 = -41.591, r 2 = 127.172

Lapisan 5

Data

Z

t

( Z ) + ( Z ) + +

Z

t

Error

ke-

target

( Z ) + ( Z ) +

output

   

2.552*35.505+4.254*44.993+

   

1

4

0.851*(-314.898)+0.448*4.361+

4

-4.99E-12

0.746*(-41.591)+0.149*127.172

2

2

dst.

2

-9.96E-12

3

6

dst.

6

5.47E-12

4

5

dst.

5

1.40E-12

5

7

dst.

7

1.22E-12

6

4

dst.

4

-1.52E-12

Estimasi parameter premis (a,c) dengan model propagasi error gradient descent.

Arsyil Hendra Saputra | arsyil.blogspot.com | 4