2

MODUL PERKULIAHAN

W142100033
Sistem Cerdas
Sistem Inferensi pada
ANFIS

Abstrak Sub-CPMK

Pada modul 12 dibahas Mampu memahami dan

mengenai Sistem Hybrid dan mensimulasikan
Sistem Inferensi pada metode Sistem Hybrid,
ANFIS Sistem Inferensi pada
ANFIS

Gambaran Umum ANFIS

Fakultas Program Studi Tatap Muka Disusun Oleh

12
Triyanto Pangaribowo,ST,MT
Fakultas Teknik Teknik Elektro
Neuro fuzzy sering disebut juga sebagai ANFIS (adaptive neuro fuzzy inference sistems).
ANFIS (adaptive neuro fuzzy inference sistems) memiliki kelebihan dibanding Logika fuzzy
maupun Jaringan sayaraf Tiruan (neural network)
Pada sistem yang semakin kompleks, fuzzy logic biasanya sulit dan membutuhkan waktu
lama untuk menentukan aturan dan fungsi keanggotaan yang tepat. Pada neural network,
tahapan proses sangat panjang dan rumit sehingga tidak efektif pada jaringan yang cukup
besar. Fuzzy logic tidak memiliki kemampuan untuk belajar dan beradaptasi. Sebaliknya
neural network memiliki kemampuan untuk belajar dan beradaptasi namun tidak memiliki
kemampuan penalaran seperti yang dimiliki pada fuzzy logic.
Oleh karena itu dikembangkan metode yang mengkombinasikan kedua teknik itu
yaitu biasa disebut sistem hybrid, salah satunya adalah Adaptive Neuro Fuzzy
Inference System atau ANFIS
ANFIS (Adaptive Neuro Fuzzy Inference System atau Adaptive Networkbased Fuzzy
Inference System) adalah arsitektur yang secara fungsional sama dengan fuzzy rule base
model Sugeno. Arsitektur ANFIS juga sama dengan jaringan syaraf dengan fungsi radial
dengan sedikit batasan tertentu. Bisa dikatakan bahwa ANFIS adalah suatu metode yang
mana dalam melakukan penyetelan aturan digunakan algoritma pembelajaran terhadap
sekumpulan data. Pada ANFIS juga memungkinkan aturan-aturan untuk beradaptasi
Agar jaringan dengan fungsi basis radial ekuivalen dengan fuzzy berbasis aturan model
Sugeno orde 1 ini, diperlukan batasan sebagai berikut.
 Keduanya harus memiliki metode agregasi yang sama (rata-rata terbobot atau
penjumlahan terbobot) untuk menurunkan semua output.
 Jumlah fungsi aktivasi harus sama dengan jumlah aturan fuzzy(if-then).
 Jika ada beberapa input pada basis aturannya, maka tiap fungsi aktivasi harus
sama dengan fungsi keanggotaan tiap-tiap inputnya.
 Fungsi aktivasi dan aturan-aturan fuzzyharus memiliki fungsi yang sama untuk
neuron-neuron dan aturan-aturan yang ada di sisi output

Arsitektur ANFIS
Menurut Jang et al(1997: 56)Misalkaninput terdiri atas dan dan sebuah output dengan
aturan model Sugeno orde 1 dapat dilihat pada Gambar dibawah ini. Orde satu dipilih
dengan pertimbangan kesederhanaan dan kemudahan perhitungan. Model Sugeno orde
satu dengan dua aturan fuzzy if-then adalah sebagai berikut

2021 Sistem Cerdas

2 Triyanto Pangaribowo,ST,MT
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/
Dengan Ai dan Bi adalah nilai-nilai keanggotaan merupakan label linguistik (seperti “kecil”
atau “besar”),pi,qi, dan ri adalah parameter konsekuen

Gambar ANFIS dengan Model Sugeno

Jaringan ANFIS

ANFIS (Adaptif Neuro Fuzzy Inference System) adalah metode jaringan neural yang
fungsinya sama dengan sistem inferensi fuzzy. Pada ANFIS, proses belajar pada jaringan
neural dengan sejumlah pasangan data berguna untuk memperbaharui parameter-
parameter sistem inferensi fuzzy. Jaringan ANFIS yang ditunjukkan pada Gambar
dibawah terdiri dari lapisan-lapisan sebagai berikut

2021 Sistem Cerdas

3 Triyanto Pangaribowo,ST,MT
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/
 Gambar Arsitektur Jaringan ANFIS
Lapisan 1:
Lapisan ini merupakan lapisan fuzzifikasi. Pada lapisan ini tiap neuron adaptif terhadap
parameter suatu aktivasi. Output dari tiap neuron berupa derajat keanggotaan yang
diberikan oleh fungsi keanggotaan input. Misalkan fungsi keanggotaan Generalized Bell
diberikan sebagai.

Dengan Z adalah input, dalam hal ini Z= {Z1,t ,Z2 ,t} dan {a,b, dan c} adalah parameter-
parameter, biasanya b = 1 . Jika nilai parameter-parameter ini berubah, maka bentuk
kurva yang terjadi akan ikut berubah. Parameter-parameter ini biasanya disebut dengan
nama parameter premis
Lapisan 2:
Lapisan ini berupa neuron tetap (diberi simbol П) merupakan hasil kali dari semua
masukan, sebagai berikut.

Biasanya digunakan operator AND. Hasil perhitungan ini disebut firing strength dari
sebuah aturan. Tiap neuron merepresentasikan aturan ke-i.
Lapisan 3:
Tiap neuron pada lapisan ini berupa neuron tetap (diberi simbol N) merupakan hasil
perhitungan rasio dari firing strength ke-i (wi) terhadap jumlah dari keseluruhan firing
strength pada lapisan kedua, sebagai berikut:

Hasil perhitungan ini disebut normalized firing strength.

2021 Sistem Cerdas

4 Triyanto Pangaribowo,ST,MT
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/
Lapisan 4:
Lapisan ini berupa neuron yang merupakan neuron adaptif terhadap suatu output, sebagai
berikut.

dengan adalah normalized firing strength pada lapisan ketiga pi,qi, dan ri adalah
parameter-parameter pada neuron tersebut. Parameter-parameter ini biasa disebut
parameter konsekuen.
Lapisan 5:
Lapisan ini berupa neuron tunggal (diberi simbol Σ ) merupakan hasil penjumlahan seluruh
output dari lapisan keempat, sebagai berikut.

Neuron Fuzzy Berdasarkan Model Input & Bobot

Pada neuron , input dan atau bobot dapat diekspresikan dalam bentuk fungsi

keanggotaannya. Berdasarkan model input dan bobot ( fuzzy atau crisp), neuron fuzzy

dapat dibagi menjadi 3 tipe (Mitra, 2000), yaitu tipe I : input crisp dan bobot fuzzy; tipe II:

input fuzzy dan bobot crisp; dan Tipe III: neuron yang dideskripsikan dengan

menggunakan persamaan-persamaan fuzzy

a. Neuron Fuzzy Tipe I: Input Crisp & Bobot Fuzzy

Neuron ini menerima n input yang bernilai crisp yaitu xi,…,xn. Dan bobot yang berkaitan

merupakan himpunan fuzzy A, i=1,…n. Operasi pembobotan terhadap input digantikan

dengan proses perhitungan derajad keanggotaan setiap input pada himpunan fuzzy yang

bersesuaian. Sebagai hasil dari operasi pembobotan ini adalah derajad keanggotaan Ai(xi)

yang berhubungan dengan input ke-i (xi) terhadap himpunan fuzzy Ai. Semua derajad

keanggotaan ini akan diagregasikan untuk mendapatkan suatu ouput yang terletak pada

interval [0,1]. Operator agregasi disimbolkan dengan  yang dapat direpresentasikan

dengan operator max,min, t-norm,t-conorm dsb,(Lin 1996)

2021 Sistem Cerdas

5 Triyanto Pangaribowo,ST,MT
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/
 N(x1,….xn) = A1(x1)… )Ai(xi)…An(xn)

Neuron fuzzy tipe I ini dapat direpresentasikan sebagai berikut :

Gambar 8 menunjukkan neuron fuzzy tipe I ( Input Crisp dan Bobot)

x1
A1(x1)
A1

Xi
N y=N(x1,x2,….,xn

Ai Ai(xi)

Xn
An(xn)
An

Gambar 8 Neuron fuzzy tipe I : input crisp dan bobot fuzzy

Contoh

Misalkan diberikan 3 variabel input x1,x2 dan x3 dengan nilai input x1 =30; x2=40 ;x3=90;

(gambar 9) dan 3 himpunan fuzzy dengan fungsi keanggotaan segitiga seperti terlihat pada

gambar 10, masing-masing dengan fungsi keanggotaan sebagai berikut:

Fungsi keanggotaan himpunan A1 pada variabel X1:

Fungsi keanggotaan himpunan A2 pada variabel X2:

Fungsi keanggotaan himpunan A3 pada variabel X3:

2021 Sistem Cerdas

6 Triyanto Pangaribowo,ST,MT
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/
 x1 = 30

A1

X2 = 40
N y

A2

X3 = 90
A3

Gambar 9 Contoh Neuron fuzzy tipe I

A1 A2 A3
1 1 1

(x1) (x2) (x3)

0 25 0 25 50 75 0 50 75 100
x1 x2 x3
(a) (b) (c)

Gambar 10 Himpunan fuzzy untuk contoh diatas

Sehingga derajad keanggotaan setiap input pada himpunan fuzzy yang bersesuaian dapat

dihitung sebagai berikut:

2021 Sistem Cerdas

7 Triyanto Pangaribowo,ST,MT
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/
Apabila kita gunakan operator min untuk melakukan agregasi maka akan diperoleh:

N(x1 ,X2, X3)=min((0,8;0,6;0,4)=0,4

Apabila kita gunakan operator min untuk melakukan agregasi maka akan diperoleh:

N(x1 ,X2, X3)=max((0,8;0,6;0,4)=0,8

Contoh

Misalkan diberikan 2 variabel input ( X dan Q) , masing masing dengan 2 himpunan fuzzy

yaitu A1 dan A2 untuk variabel X; dan B1 dan B2 untuk variabel Q. Input yang diberikan

adalah x = 45 dan q = 5 ( gambar 11). Setiap variabel terdiri atas 2 himpunan fuzzy dengan

fungsi keanggotaan segitiga seperti pada gambar 12, masing-masing dengan fungsi

keanggotaan sebagai berikut:

Fungsi keanggotaan untuk variabel X:

Fungsi keanggotaan untuk variabel Q:

2021 Sistem Cerdas

8 Triyanto Pangaribowo,ST,MT
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/
Jaringan syaraf yang dibentuk terdiri dari 2 lapis, lapisan pertama terdiri atas 2 neuron

yang menunjukkan pernyataan fuzzy sebagai berikut:

S1: (x1 is A1) o (q1 is B1)

S2: (x2 is A2) o (q2 is B2)

Sedangkan lapiran kedua, merupakan agregasi antar 2 neuron pada lapisan pertama tanpa
bobot input.

A1
X=45 N11 o1
A2 y
N2
B1 N12
q=45
B2 O2

Gambar 11. Contoh neuron fuzzy tipe I

A1 A2 B1 B2
1 1

(x) (q)

20 40 60 80 0 0 2 3 10
0 6
x q

(a) (b)
arPustaka
Gambar 12. Himpunan fuzzy contoh diatas

Apabila operator (o) yang digunakan pada lapisan pertama adalah operator min , maka

dapat diperoleh

2021 Sistem Cerdas

9 Triyanto Pangaribowo,ST,MT
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/
O1= min (A1(x);B1(q))

O2= min (A2(x);B2(q))

Apabila pada lapisan kedua digunakan operator max, maka diperoleh :

Y = max(0,33;0,25)= 0,33

b. Fuzzy Neuron Tipe II: Input Fuzzy & Bobot Fuzzy

Pada neuron fuzzy tipe II baik input maupun bobot semua bernilai fuzzy. Setiap input x

akan dilakukan operasi pembobotan sehingga menghasilkan himpunan fuzzy yang lainnya

yaitu dengan i= 1,…,n; * adalah operator tertentu dan A adalah bobot fuzzy. Semua

himpunan fuzzy yang telah termodifikasi ini akan diagregasikan untuk menghasilkan

output y. tidak seperti pada neuron fuzzy tipe I, proses pembobotan pada neuron fuzzy tipe

II bukanlah merupakan fungsi keanggotaan (Lin , 1990)

Secara matematis dapat diberikan sebagai berikut :

Xi’ = Ai * Xi ; i = 1,…n

Y = X1’…. Xi’….Xn’

Gambar 13 menunjukkan neuron fuzzy tipe II ( input dan bobot fuzzy)

x1

A1
X1’
y
Xi N
A2 Xi’

Xn

2021 Sistem Cerdas

10 Triyanto Pangaribowo,ST,MT
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/
 Xn’
A3
Gambar 13 Neuron fuzzy tipe II L: input fuzzy dan bobot fuzzy

Contoh

Lin(1996), misalkan diketahui fungsi f yang akan mentransformasikan input fuzzy X dan Y

ke output Fuzzy Z sebagai berikut:

AX2 + BXY + CY2=Z

X2
1
A
X 5
AX2 + CY2
2 X C
+

7 Z
3 Y 2 B
6
Y BXY
+
4 1
Y

Gambar 14 Contoh Neuron Fuzzy Tipe II

Dengan A, B dan C adalah bilangan fuzzy (gambar 14). Jaringan syaraf akan melatih A, B

dan C menggunakan pola pelatihan dengan input ( X k,Yk) yang berhubungan dengan target

Tk

c. Fuzzy Neuron Tipe III: Neuron dengan persamaan Fuzzy

Neuron fuzzy tipe III dengan n buah input dan satu output dibentuk dengan relasi input –

output dalam bentuk IF – THEN sebagai berikut:

IF X1 AND ….AND Xn THEN Y

Dengan X1,…… Xn adalah input dan Y adalah output. Neuron fuzzy tipe III dapat

dideskripsikan sebagai relasi R , sebagai contoh :

2021 Sistem Cerdas

11 Triyanto Pangaribowo,ST,MT
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/
 R = X1 X X2………. X Xn X Y

Atau

R = f( X1 X2………. XnY)

Dengan f(.) adalah fungsi implikasi..

Sehingga dengan menggunakan aturan komposisi inferensi, output neuron fuzzy diberikan

sebagai

Y’1= x1o(x2o(…o(xnoRi)..)

Dengan o mempresentasikan aturan komposisi inferensi, seperti max t-norm. input neuron

dapat berbentuk fuzzy atau crisp. Gambar 15 menunjukkan arsitektur neuron fuzzy tipe III.

x1
.

. y

..
Xi o
R
.
Xn
.
Gambar 15 . Neuron fuzzy tipe III : neuron fuzzy menggunakan persamaan fuzzy

Contoh

Misalkan terdapataturan :

R1 : IF X is Ai and Y is Bj THEN Z is Cp

Dengan Ai , Bj, Cp adalah himpunan bagian fuzzy yang dipresentasikan sebagai himpunan

fuzzy segitiga dengan pusat masing-masing di ai,bj,cp.

Sebagai contoh , misal terdapat 2 aturan sebagai berikut

R1 : IF x is RENDAH and y is NAIK THEN z is BANYAK

R2 : IF x is TINGGI and y is TURUN THEN z is SEDIKIT

Pada variabel x, nilai pusat untuk Rendah = 0,25; dan Tinggi =0,75. Pada variabel y, nilai

pusat untuk Turun = 0,3 dan Naik = 0,7. Pada variabel z, nilai pusat untuk Sedikit = 0,2

2021 Sistem Cerdas

12 Triyanto Pangaribowo,ST,MT
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/
dan Banyak = 0,8

Apabila diberikan data baru X = A’ dan Y = B’ maka kita dapat mengevaluasi aturan.

Gambar 16 menunjukkan contoh fuzzy neuron tipe-3, Node yang berisi (*)

mengkombinasikan input dengan operator * untuk mendapatkan output Z

R1
A’ C1’
(0,25; 0,7; 0,8)

C2’ * z
R2
B’
(0,75 ; 0,3; 0,2)

Gambar 16 . Neuron fuzzy tipe III

Daftar Pustaka
1. Rizka Nurul Fajriani, Farida Asriani, Hesti Susilawati,”Penerapan Adaptive Neuro-
Fuzzy Inference System (ANFIS) untuk Pemantauan Status Gunung Merapi”,
Prosiding Seminar Nasional Multimedia & Artificial Intelligence 2018
2. Kusumadewi; Sri. 2003. Artificial Intelligence (Teknik & Aplikasinya).
Yogyakarta: Graha Ilmu
3. Suyoto. 2004. Intelegensi Buatan (Teori dan Pemrograman). Yogyakarta : Gava
media.
4. Kusumadewi; Sri. 2004. Membangun Jaringan Syaraf Tiruan dengan Matlab &
Excel Link. Yogyakarta: Graha Ilmu.
5. Kuswadi; Son. 2004. Kendali Cerdas: Teori dan Aplikasi Praktisnya. Yogyakarta :
Andi
6. Away, gunaldi, 2010, the shortcut of matlab programing, informatic bandung.
7. Kusumadewi; Sri. 2002, analisis dan disain sistem fuzzy menggunakan toolsbox
matlab, Yogyakarta: Graha Ilmu.

2021 Sistem Cerdas

13 Triyanto Pangaribowo,ST,MT
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/
 8. Murata, Tadao, 1989, petri net properties, analysis and application, proceding of
IEEEVol4 april 1988.

2021 Sistem Cerdas

14 Triyanto Pangaribowo,ST,MT
Biro Bahan Ajar E-learning dan MKCU
http://pbael.mercubuana.ac.id/