RESUME JURNAL APPLYING ANFIS MODEL IN DECISION-MAKING OF VERTICAL

HANDOVER BETWEEN MACROCELL AND FEMTOCELL INTEGRATED NETWORK

OLEH :

Muhammad Abizar Rofi’udin (1606030028)

Muhammad N. Kossah (1506030027)

JURUSAN TEKNIK ELEKTRO

FAKULTAS SAINS DAN TEKNIK

UNIVERSITAS NUSA CENDANA

2019
 RESUME JURNAL

Judul Jurnal : Applying ANFIS Model in Decision-making of Vertical Handover between Macrocell and
Femtocell Integrated Network

Judul : Applying ANFIS Model

Volume : Vol.11, No. 1, 2019

Tahun : 2019

Penulis : Wafa benaatou & Adnane Latif

Reviewer : Muhammad A. Rofi’udin & Muhammad N. Kossah

Tanggal : 12 Juni 2019

1. Latar Belakang
Salah satu tugas yang menantang pada jaringan telekomunikasi adalah untuk
mempertahankan kelancaran mobilitas dan pelayanan secara berkelanjutan pada saat proses
vertical handover. Jurnar ini menyediakan kasus dari pembuat keputusan saat pemindahan antara
jaringan femtocell dan macrocell yang ter-integrasi mempertimbangkan beberapa parameter input,
yaitu SINR, bandwidth dan energy yang dibutuhkan. Simulasi Vertical Handover ini didasarkan
pada adaptive neuro-fuzzy inference system (ANFIS) untuk mencapai tujuan mendapat
pemindahan yang cerdas dan untuk memprediksi tujuan jaringan terbaik. Hasil simulasi
menunjukan bahwa pendekatan berdasarkan ANFIS menyebabkan pengurangan yang tidak perlu
handover dan meminimalisir konsumsi energi dibandingkan dengan yang dengan pendekatan.
2. Tujuan
1. Untuk mengaplikasikan ANFIS untuk vertical handover pada macrocell dan femtocell
2. Untuk mengetahui perbandingan antara macocell dan femtocell jika ANFIS diaplikasikan pada
saat vertical handover
3. Metodologi
1. Arsitekur dari ANFIS model
Hibrida neuro-fuzzy sistem adalah kombinasi antara dua teknologi jaringan syaraf dan
fuzzy sistem, yang dikenal juga sebagai anfis (adaptif neuro-fuzzy inferensi sistem), anfis
mendukung Takagi-sugeno sistem berbasis [7]. struktur adaptif jaringan terdiri dari lima
jaringan lapisan yaitu layer 1 untuk lapisan 5, yaitu fuzzy lapisan, produk lapisan, Normalisasi
lapisan, de-fuzzy lapisan, dan total output lapisan masing-masing (dengan simpul dan koneksi),
seperti yang ditunjukkan di gambar

Gambar 1 Arsitektur ANFIS

Di adaptif saraf-fuzzy sistem, kami memiliki dua input X dan Y, satu output f dan fuzzy set
a1, a2, b1, b2, dan untuk urutan pertama Takagi-sugeno fuzzy model, kami memiliki dua jika
kemudian aturan, seperti yang Dijelaskan

𝑅𝑢𝑙𝑒1:𝐼𝐹 𝑥 𝑖𝑠 𝐴1 𝑎𝑛𝑑 𝑦 𝑖𝑠 𝐵1 𝑡ℎ𝑒𝑛 𝑓1=𝑝1𝑥+𝑞1𝑦+𝑡1 (1)

𝑅𝑢𝑙𝑒2:𝐼𝐹 𝑥 𝑖𝑠 𝐴2 𝑎𝑛𝑑 𝑦 𝑖𝑠 𝐵2 𝑡ℎ𝑒𝑛 𝑓2=𝑝2𝑥+𝑞2𝑦+𝑡2 (2)

 Di mana AI dan BI fuzzy set, fi adalah output dalam fuzzy wilayah ditentukan oleh fuzzy
aturan, dan PI, qi, dan TI adalah parameter desain yang ditentukan selama proses pelatihan
dan setiap lapisan di neuro-fuzzy sistem yang terkait dengan tertentu langkah di fuzzy
gangguan proses.

layer 1: dalam lapisan ini, setiap neuron mentransmisikan eksternal renyah sinyal langsung
ke lapisan berikutnya. o1, saya (X) menentukan tingkat keanggotaan yang diberikan input.
output dari setiap Node dihitung menggunakan

𝜃1,= 𝜇𝐴𝑖(𝑥) 𝑓𝑜𝑟 𝑖=1,2 (4)

𝜃1,= 𝜇𝐵𝑖−2(𝑦) 𝑓𝑜𝑟 𝑖=3,4 (5)

layer 2: setelah menerima garing input, yang fuzzification neuron menentukan sejauh yang
masukan ini milik neuron fuzzy set dan neuron di lapisan ini mewakili fuzzy set yang
digunakan dalam hidup sebelum masa ini fuzzy aturan.

𝜃2,=𝜔𝑖=𝜇𝐴𝑖(𝑥)×𝜇𝐵𝑖−2(𝑦) 𝑓𝑜𝑟 𝑖=1,2 (6)

. layer 3: dalam lapisan ini, yang normal bobot dihitung dengan setiap Node. sinyal output
dapat dianggap sebagai dinormalisasi menembak kekuatan tertentu aturan

𝜃3,=𝜔̅=𝜔𝑖𝜔1+𝜔2, 𝑓𝑜𝑟 𝑖=1,2 (7)

lapisan 4: dalam lapisan ini, kami telah dihitung individu output nilai Y dari inferring aturan
dari aturan dasar. masing-masing Node dari lapisan ini terhubung ke masing-masing
Normalisasi Node di layer 3 dan juga menerima sinyal input . setiap Node dari lapisan ini
adalah adaptif dengan Node fungsi yang diberikan, di mana PI, qi, dan TI adalah satu set
konsekuen parameter dari aturan saya

𝜃4,=𝜔̅𝑖𝑓𝑖=𝜔̅𝑖(𝑝𝑖+𝑞𝑖+𝑡𝑖),𝑓𝑜𝑟 𝑖=1,2 (8)

lapisan 5: dalam lapisan ini, kami telah menghitung jumlah semua output yang berasal dari
Node dari defuzzification lapisan untuk menghasilkan keseluruhan anfis output. memiliki hanya
satu Node dan lapisan ini dikenal sebagai output lapisan

2. ANFIS Prosedur
Di langkah pertama, kami telah diinisialisasi fuzzy sistem dengan menggunakan genfis1
atau genfis2 perintah. setelah inisialisasi parameter dengan pelatihan data matriks, sistem
rekan fungsi keanggotaan untuk setiap masukan. di langkah kedua, kita telah memberikan
parameter untuk belajar terutama jumlah iterasi dan toleransi. di langkah ketiga, kami sudah
mulai proses pembelajaran dengan menggunakan anfis perintah untuk belajar. ketika toleransi
dicapai, kami telah divalidasi data independen oleh sistem di langkah terakhir
 Gambar 2 Prosedur ANFIS
3. Hasil dari ANFIS model
Dalam rangka untuk menganalisis kinerja dari anfis model, kami telah menggunakan
matlab yang logika fuzzy toolbox dan Gui Editor.

Gambar 3 Model struktur ANFIS

 Gambar 4 ANFIS dengan 3 input dan output

Untuk mengoptimalkan parameter dan keanggotaan fungsi, hibrida metode telah digunakan, yang
merupakan kombinasi dari backpropagation dan kuadrat terkecil metode. untuk menghasilkan awal
fuzzy inferensi system (FIS) struktur, grid partisi metode telah digunakan. jumlah kesalahan toleransi
dan pelatihan zaman ditetapkan dengan 0 dan 10 masing-masing.

Gambar 5 FIS output setelah test dengan training data

setelah FIS terlatih, kami divalidasi model menggunakan pengujian dan memeriksa data. gambar 9 dan
gambar 10 menunjukkan hasil menerapkan anfis metodologi dengan pelatihan data dan dengan
memeriksa data.
 Gambar 6 FIS output setelah test dengan check data

kami yang dikumpulkan input / output data untuk pelatihan maka kita digunakan anfis meniru pelatihan
data. data yang disajikan oleh memodifikasi fungsi keanggotaan parameter Menurut sebuah dipilih
kesalahan kriteria. gambar 4, 5, 6 lihat tarif dan permukaan sebidang penyerahan keputusan yang
dihasilkan oleh anfis metode.

Gambar 7 Plot permukaan handover dengan SINR dan konsumsi energy

 Gambar 8 plot permukaan handover dengan bandwidth dan konsumsi energy

Gambar 9 plot permukaan handover dengan bandwidth dan SINR

itu mengamati bahwa prediksi serah terima dengan anfis model setuju dengan baik dengan target data.
pada gambar 11, ketika kita memiliki baik sinr dan bandwidth tinggi, sistem memilih untuk tidak
melakukan penyerahan: itu adalah serupa pada gambar 12, ketika kita memiliki konsumsi energi yang
rendah dan bandwidth rendah. di sisi lain, sistem melakukan penyerahan ketika kita memiliki rendah
sinr dan bandwidth rendah

4. Evaluasi Kinerja
 Berdasarkan simulasi kami yang disebutkan di bagian sebelumnya dan analisis perbandingan
seperti yang kita dapat melihat bahwa penyerahan vertikal didasarkan pad sistem inferensi neuro-fuzzy
adaptif (ANFIS) mengurangibjumlah serah terima dan konsumsi energi dalam jaringan, dibandingkan
dengan logika fuzzy [3], RSS [3], SNR[23] dan pendekatan tradisional [1, 18]. Memang, makalah ini
adalah kelanjutan dari pekerjaan kami sebelumnya di [3] yang dipertimbangkan penyerahan vertikal
berdasarkan RSS dan logika fuzzy.

Teknik yang kami usulkan berdasarkan ANFIS lebih unggul untuk empat strategi: Dalam pendekatan
tradisional dan RSS algoritma, masalah besar adalah jumlah yang tidak perlu serah terima yang
dihasilkan oleh hilangnya propagasi (Path Loss) dan memudarnya sinyal yang disebabkan oleh
rintangan (bayangan fading) serta multipath (Multipath). Di SNR algoritma, kelemahan terbesar adalah
dalam maksimalisasi kecepatan data puncak. Namun, masalah ini tidak optimal sejak SNR tidak
memungkinkan untuk memiliki nilai sebenarnya dari yang diterima kecepatan data [21]. Dalam logika
fuzzy, optimalisasi

fungsi keanggotaan tidak ada. Untuk alasan ini, kamibtelah menggunakan ANFIS untuk meningkatkan
evaluasi akuratbkeputusan serah terima terbaik dengan mengoptimalkan keanggotaan fungsi input
yang digunakan dan meminimalkan yang tidak perlu serah terima dan konsumsi energi dalam jaringan.
Oleh karena itu, algoritma kami sangat efisien dan berhasil hasil yang baik dan kinerja yang lebih baik
daripada vertikal lainnya algoritma serah terima.

5. Kesimpulan
Kesimpulan keputusan vertikal serah terima adalah salah satu yang paling menantang
masalah di heterogen jaringan nirkabel. makalah ini mengusulkan penyerahan algoritma yang
memanfaatkan adaptif neuro-fuzzy inferensi system (anfis) antara macrocell dan femtocell jaringan
dalam rangka untuk memilih yang terbaik akses jaringan. kinerja evaluasi hasil menunjukkan bahwa
pendekatan yang diusulkan berdasarkan anfis mengurangi jumlah handover dan konsumsi energi
dalam jaringan. kami juga membandingkan hasil kami dengan algoritma lain, yang hanya
bergantung pada sinyal yang diterima kekuatan, Snr, untuk mengukur berapa banyak hibrida fuzzy
pendekatan bisa meningkatkan kinerja. hasilnya menunjukkan bahwa model berdasarkan anfis
adalah yang terbaik dibandingkan dengan pendekatan lain. jika tidak, ketika kami menggabungkan
dua teknologi (logika fuzzy dan jst), kami memiliki hasil yang lebih baik daripada menggunakan
logika fuzzy saja. di masa depan kita bekerja, kita akan menerapkan optimal metode untuk
penyerahan proses pengambilan keputusan.

6. Kelebihan Penelitian
1. Menjelaskan secara detail
2. Dasar teori yang padat dan detail
7. Kekurangan Peneliti
Masih kurangnya data peneliti.