MODUL PERKULIAHAN
W142100033
Sistem Cerdas
Sistem Inferensi pada
ANFIS
Abstrak Sub-CPMK
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
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
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:
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.
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
Neuron ini menerima n input yang bernilai crisp yaitu xi,…,xn. Dan bobot yang berkaitan
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
x1
A1(x1)
A1
Xi
N y=N(x1,x2,….,xn
Ai Ai(xi)
Xn
An(xn)
An
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
A1
X2 = 40
N y
A2
X3 = 90
A3
A1 A2 A3
1 1 1
0 25 0 25 50 75 0 50 75 100
x1 x2 x3
(a) (b) (c)
Sehingga derajad keanggotaan setiap input pada himpunan fuzzy yang bersesuaian dapat
Apabila kita gunakan operator min untuk melakukan agregasi maka akan diperoleh:
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
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
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
Y = max(0,33;0,25)= 0,33
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
Xi’ = Ai * Xi ; i = 1,…n
Y = X1’…. Xi’….Xn’
x1
A1
X1’
y
Xi N
A2 Xi’
Xn
Contoh
Lin(1996), misalkan diketahui fungsi f yang akan mentransformasikan input fuzzy X dan Y
X2
1
A
X 5
AX2 + CY2
2 X C
+
7 Z
3 Y 2 B
6
Y BXY
+
4 1
Y
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
Neuron fuzzy tipe III dengan n buah input dan satu output dibentuk dengan relasi input –
Dengan X1,…… Xn adalah input dan Y adalah output. Neuron fuzzy tipe III dapat
Atau
R = f( X1 X2………. XnY)
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
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
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 (*)
R1
A’ C1’
(0,25; 0,7; 0,8)
C2’ * z
R2
B’
(0,75 ; 0,3; 0,2)
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.