LOGIKA FUZZY dan SISTEM PAKAR

Nama :
- Evi Damayanti Firdaus – 1402014041
- Ranti Purwanti – 1402014098
“Supervisory Adaptive Network-Based Fuzzy Inference System (SANFIS) Design for Empirical
Test of Mobile Robot”
Review :
Pada artikel ini, mengusulkan sebuah Adaptive Adaptive Network-based Fuzzy Inference System
(SANFIS) diusulkan untuk pengendalian empiris robot mobile. Supervisory ANFIS (SANFIS)
dikembangkan untuk merancang kontrol jalur robot bergerak mobile. Pengontrol SANFIS ini terdiri dari
pengendali ANFIS dan pengendali pengawas. Kontroler ANFIS digunakan untuk meniru pengontrol ideal
dan pengendali pengawasan dirancang untuk mengkompensasi kesalahan aproksimasi antara pengontrol
ANFIS dan pengendali ideal. Pengendali ANFIS adalah prosedur pembelajaran hibrida off-line yang sesuai
untuk dijadikan dasar untuk membangun seperangkat aturan fuzzy jika-kemudian dengan fungsi
keanggotaan yang sesuai untuk menghasilkan input-output Fuzzy Associated Memory (FAM) yang
ditetapkan.

SANFIS controller design

Pengembangan sebuah sistem:
𝑥(𝑡) = 𝐴(𝑥(𝑡), 𝑡)𝑢(𝑡) + 𝑑(𝑡)
Dimana 𝑥(𝑡) = [𝑥1 (𝑡), 𝑥2 (𝑡), … , 𝑥𝑛 (𝑡)]T∈ 𝑅 𝑛 menunjukkan keadaan vector,
𝑢(𝑡) = [𝑢1 (𝑡), 𝑢2 (𝑡), … , 𝑢𝑛 (𝑡)]T∈ 𝑅 𝑛 menunjukkan control input,
𝑑(𝑡) = [𝑑1 (𝑡), 𝑑2 (𝑡), … , 𝑑𝑛 (𝑡)] T∈ 𝑅 𝑛 menunjukkan gangguan yang tidak diketahui dengan batas
atas yang diketahui ‖𝑑(𝑡)‖ ≤ 𝑑𝑢𝑏 dan ketidakpastian sistem; ‖. ‖ menunjukkan norma induksi,
dan 𝐴(𝑥(𝑡), 𝑡) dan 𝐵(𝑥(𝑡), 𝑡) bergantung pada 𝑥(𝑡).
Karena parameter sistem mungkin tidak diketahui atau terganggu, pengontrol ideal 𝑢𝑖𝑑 tidak dapat
diimplementasikan. Untuk mengatasinya, pengontrol ANFIS akan dirancang untuk mendekati
pengontrol ideal ini. Selain itu, pengontrol pengawasan dirancang untuk mengkompensasi
kesalahan aproksimasi antara pengontrol ANFIS dan pengendali ideal, dan untuk mengatasi
gangguan tersebut.
Misalkan fungsi geser terintegrasi didefinisikan sebagai [10-13].

Lalu
dimana 𝑘1 dan 𝑘2 adalah konstanta positif. Hukum kontrol didefinisikan sebagai

Dimana 𝑢𝑎𝑛𝑓𝑖𝑠 (𝑡) adalah control ANFIS dan 𝑢𝑠𝑝 (𝑡) adalah pengawas.

Dengan demikian, sistem SANFIS ditunjukkan pada Fig.1 dimana input dari pengendali SANFIS
𝑠(𝑡) dan turunannya.

ANFIS Controller Design

Adaptive Network-based Fuzzy Inference System (ANFIS) adalah prosedur pembelajaran hibrida
off-line yang sesuai untuk dijadikan dasar membangun seperangkat aturan fuzzy if-then dengan
fungsi keanggotaan yang sesuai untuk menghasilkan Memori Asisten Fuzzy yang ditetapkan
FAM) input-output pasang.
SANFIS dirancang untuk mengendalikan robot mobile. Tujuan perancangannya adalah robot
mobile dapat dikontrol untuk melacak jalur yang diinginkan. SANFIS mengambil fungsi peluncur
geser dari kecepatan robot dan sudut azimuth (𝑠𝑣 , 𝑠∅ ) dan nilai turunannya (𝑠𝑣 , 𝑠∅ ) sebagai variabel
input, dan 𝑢𝑣 , 𝑢∅ sebagai variabel output; Dimana 𝑢𝑣 dan 𝑢∅ adalah torques yang
diimplementasikan ke robot mobile untuk mendapatkan kecepatan yang diinginkan (𝑣𝑑 ) dan sudut
azimuth ∅𝑑 . Berdasarkan konsep desain SANFIS, 𝑢𝑣 dan 𝑢∅ keduanya menyertakan input kontrol

ANFIS dan kontroler, yaitu dan

Istilah yang dikendalikan robot mobile adalah 𝑣 dan ∅, dan torsi kontrol, 𝑢𝑙 ,𝑢𝑟 dan 𝑢𝑙 ,𝑢𝑟
diimplementasikan ke roda kiri dan kanan. Dari properti robot mobile dengan dua roda penggerak
independen, persamaan hubungan berikut dipertimbangkan: dan
Langkah pertama adalah merancang pengendali ANFIS secara off-line untuk mengukur bobot
secara kasar agar mendapatkan kinerja pelacakan yang baik, kemudian merancang pengendali
pengawasan untuk mengendalikan kesalahan pelacakan yang berkonvergensi menjadi nol. Ada
dua pengontrol ANFIS yang perlu dirancang. Salah satunya adalah untuk kecepatan (yaitu 𝑢𝑎𝑛𝑓𝑖𝑠1 )
dan yang lainnya adalah untuk sudut (yaitu 𝑢𝑎𝑛𝑓𝑖𝑠2 ). Untuk membangun satu set aturan fuzzy if-
then dengan fungsi keanggotaan yang sesuai untuk dijadikan pengontrol, pasangan input-output
FAM yang sesuai ditetapkan untuk dijadikan data pelatihan off-line. Fungsi keanggotaan,
permukaan inferensi fuzzy dan aturan fuzzy hasil pelatihan ANFIS ditunjukkan pada Gambar 4.
Kisaran sudut adalah dari −2𝜋 sampai 2𝜋. Rentang kecepatannya adalah dari -60 sampai 60.
 uji jalur empiris robot mobile. Kami
menangkap film eksperimental dari mobile
robot yang bergerak di lintasan sebagai
beberapa grafis kontinyu untuk
menunjukkan hasil kontrol robot mobile
empiris. Hasil percobaan jalur persegi
ANFIS ditunjukkan pada Gambar 6. Robot
bergerak akan terombang-ambing pada saat
bergerak setelah belok kiri 90 derajat. Hasil
eksperimen jalur persegi SANFIS
ditunjukkan pada Gambar 7. Ini
menunjukkan bahwa robot bergerak akan
bergerak sangat halus, terutama setelah
belokan 90 derajat kiri yang setara dengan respons langkah yang sesuai. Membandingkan metode
desain yang diusulkan SANFIS dengan metode ANFIS, terungkap bahwa kinerjanya jauh
meningkat.
 Makalah ini mempertimbangkan kontrol sistem
robot bergerak mengikuti jalur persegi.
Pengontrol SANFIS dikembangkan. Ini terdiri
dari pengontrol ANFIS dan pengontrol
pengawasan. Tujuan pengontrol ANFIS
digunakan untuk menggabungkan lintasan
sistem menjadi nol dan pengendali pengawasan
digunakan untuk mengarahkan lintasan dengan
cepat ke permukaan yang beralih dan
mempertahankan lintasan di permukaan ini
secara terus menerus untuk menjamin stabilitas
sistem. Dalam percobaan praktis, SANFIS ini
digunakan untuk menangani kontrol jalur
persegi. Perbandingan kontrol ANFIS dan kontrol SANFIS yang diusulkan dipresentasikan,
menunjukkan efektivitas dan kinerja bagus dari metode SANFIS yang dirancang.
 “ Multi-hop clustering routing algorithm based on fuzzy inference and multi-path tree ”
Review :
Teknologi jaringan sensor nirkabel telah banyak digunakan pada kehidupan modern ini namun
pemanfaatan nya sendiri kurang efisien karena energi baterai node sensor yang digunakan sangat terbatas.
Pada ulasan kali ini artikel yang berjudul “Multi-hop clustering routing algorithm based on fuzzy inference
and multi-path tree” mengusulkan metode routing clustering multi-hop dengan inferensi fuzzy untuk
memaksimalkan fungsi energi baterai yang terbatas tersebut. Langkah yang diambil pada algoritma yang
digunakan adalah (1) membagi node sensor nirkabel dengan metode routing clustering yang efisien dan (2)
menentukan jalur optimal dengan kombinasi pendekatan inferensi fuzzy dan metode multi-path, dengan
mempertimbangkan sisa energi, hop minimum, dan beban jalur simpul.
Pada artikel ini juga membahas mengenai algoritma baru yang bertujuan menghindari jaringan
rusak dan memperpanjang masa pakai jaringan yaitu SMF (multi-hop clustering routing algorithm based
on fuzzy inference and multi-path tree) dengan menggabungkan metode Lower Energy Adaptive Clustering
Hierarchy Enhancement (LEACHEN) algoritma path, dan pendekatan fuzzy untuk memilih jalur routing
optimal dari sumber ke tujuan, yang memperhitungkan energi residu tertinggi, minimum jumlah hop dan
jalur. Algoritma SMF mencakup dua tahap: pertama, membagikan node sensor nirkabel di WSN ke dalam
cluster menggunakan metode LEACHEN dan kemudian menggunakan metode kombinasi pendekatan
inferensi fuzzy dan metode multi-path (MF) untuk membangun pohon multi-path dari node sumber ke node
tujuan.
Metode LEACHEN bertujuan untuk mencegah simpul dengan energi rendah agar tidak menjadi
CH (Cluster Head), dan mengendalikan jumlah CH ke jumlah optimal serta mengurangi distribusi CH yang
tidak merata pada setiap putaran. Dengan cara ini, ia dapat mengurangi biaya energi dan memperpanjang
masa pakai jaringan. Energi CH akan segera habis karena nodus CH mengkonsumsi lebih banyak energi
daripada nodus non-CH. Artikel ini menggunakan algoritma LEACHEN berdasarkan algoritma LEACH
dan metode SEP12 untuk mengelompokkan node sensor nirkabel. Algoritma LEACHEN menggunakan
konsep '' round '', dan setiap putaran terdiri dari fase pembentukan cluster dan fase stabilisasi yang mirip
dengan metode LEACH.

Gambar 1 Fuzzy logic system

Artikel ini memilih model Mamdani karena kesederhanaannya. Terdapat lima langkah proses yang
dilakukan :
1. Input fuzzifikasi. Langkah pertama FIS adalah mengambil masukan yang tajam dan menentukan sejauh
mana masukan ini masuk ke masing-masing rangkaian fuzzy yang sesuai. Alasan FIS bergantung pada
banyak aturan inferensi fuzzy dan setiap aturan bergantung pada input yang mengurai beberapa
himpunan fuzzy yang berbeda.
2. Penerapan operator fuzzy. Operator fuzzy bisa mendapatkan satu nilai yang mewakili hasil prasyarat
terhadap peraturan ini. Masukan dari operator fuzzy adalah dua atau lebih nilai keanggotaan yang
diperoleh dari variabel input fuzzifikasi dan input adalah nilai riil yang terpisah.
3. Penalaran fuzzy. Kita harus memperhatikan bobot aturan sebelum menggunakan implikasi fuzzy untuk
melakukan inferensi fuzzy. Setiap aturan memiliki bobot, kisarannya adalah [0, 1]. Umumnya nilai
bobotnya adalah 1. Bila nilai bobotnya 0, maka tidak akan berpengaruh selama proses inferensi fuzzy.
Mendistribusikan bobot yang sesuai dengan peraturan berarti mencapai implikasi fuzzy.
4. Agregasi output aturan. Karena keputusan dibuat berdasarkan proses pengujian semua aturan dalam
FIS, kita harus menemukan beberapa cara yang bisa menggabungkan aturan untuk mengambil
keputusan. Agregasi dapat menggabungkan himpunan fuzzy. Umumnya aturan eksekusi aturan tidak
penting karena metode agregasi bisa ditukarkan.
5. Defuzzifikasi. Masukan dari proses defuzzifikasi adalah himpunan fuzzy dari output agregat dari
langkah terakhir dan hasilnya adalah satu angka renyah. Selama proses defuzzifikasi, ia menemukan
titik di mana garis vertikal akan mengiris kumpulan agregat menjadi dua massa yang sama. Namun,
agregasi dari himpunan fuzzy termasuk banyak nilai output, kita harus defuzzify mereka dan mengurai
satu nilai dari himpunan fuzzy. Metode defuzzifikasi meliputi metode sentroid, metode bisektor,
metode tengah maksimal, metode maksimum terbesar, dan metode terkecil terkecil.

Gambar 2 Membership functions Gambar 3 output surface sistem inferensi fuzzy

Metode dalam artikel ini berdasarkan algoritma LEACHEN clustering yang dapat lebih menyeimbangkan
biaya energi CHs. Ini mengadopsi metode inferensi fuzzy yang memperhitungkan sisa energi, beban lalu
lintas, dan hop minimum, untuk memilih simpul optimal dari pohon multi-jalur. Dengan menggunakan
algoritma SMF dapat memperbaiki konsumsi energi CHs dalam rute transmisi dan menyeimbangkan
konsumsi energi setiap node, serta memperpanjang masa pakai jaringan. Dari perbandingan metode SMF,
metode CFA, dan pendekatan FA dsimpulkan bahwa kinerja algoritma SMF lebih baik daripada metode
CFA dan pendekatan FA. Selain itu, kinerja metode SMF sangat stabil, yang menunjukkan bahwa algoritma
yang diusulkan dapat menyesuaikan daerah topologi yang berbeda dan memiliki universalitas tertentu.
Algoritma routing SMF tidak hanya memperpanjang fase stabilisasi jaringan tetapi juga mengurangi biaya
energi, menyeimbangkan beban lalu lintas, dan memperpanjang masa pakai jaringan. Namun, di dunia
nyata, ada banyak faktor yang harus diperhitungkan. Penelitian yang sedang berlangsung akan memecahkan
kepraktisan penggunaan metode SMF untuk pengumpulan data di lingkungan nyata.