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.
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.
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.
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.