teny handhayani - fjrhdp.files.wordpress.com · pada anfis, konjungsi pada aturan antecendent...
TRANSCRIPT
Teny Handhayani
Pendahuluan
Hybrid intelligent system adalah kombinasi lebih daridua teknologi cerdas.
Contohnya kombinasi Neural Network dengan Fuzzy membentuk Neuro-fuzzy system
Perbandingan Expert Systems, Fuzzy Systems,Neural Networks dan Genetic Algorithms
Knowledge representation
Uncertainty tolerance
Imprecision tolerance
Adaptability
Learning ability
Explanation ability
Knowledge discovery and data mining
Maintainability
ES FS NN GA
* The terms used for grading are:
- bad, - rather bad, - good - rather good and
Neural expert systemSistem Pakar Jaringan Syaraf
System pakar mengandalkan System pakar mengandalkanpenalaran logis dan decision tree, fokus pada pemodelannalar manusia
Sistem pakar memperlakukanotak sebagai kotak hitam
Pengetahuan dalam sistempakar berbasis aturandiwakili oleh aturan IF-THEN
Pengetahuan dapat dibagimenjadi sub-pengetahuan
Jaringan syaraf mengandalkan Jaringan syaraf mengandalkanpengolahan data paralel danfokus pada pemodelan otakmanusia
Jaringan syaraf melihat strukturdan fungsinya, terutama padakemampuan untuk belajar
Pengetahuan dalam jaringansyaraf disimpan sebagai bobotsinaptik antar neuron
Pengetahuan tidak dapat dibagimenjadi sub-pengetahuan
Struktur dasar dari neural expert system
Inference Engine
Neural Knowledge Base Rule Extraction
Explanation Facilities
User Interface
User
Rule: IF - THEN
Training Data
NewData
Neural expert system Hybrid syetem yang menggabungkan neural network
dan rule-based expert system disebut neural expert system (connectionist expert system)
Inti dari neural expert system adalah inference engine
IE mengontrol aliran informasi pada sistem danmemilai inferensi berdasarkan basis pengetahuansyaraf
Sebuah neural inference engine juga memastikanpenalaran perkiraan
The neural knowledge base
-0.8
-0.2
-0.1-1.1
2.20.0
-1.0
2.8-1.6
-2.9
-1.3
Bird
Plane
Glider
+1
Wings
Tail
Beak
Feathers
Engine
+1
0
+1
+1
1
-1.6 -0.7
-1.1 1.9
1
1
Rule 1
Rule 2
Rule 3
1.0
1.0
1.0
Jika diketahui setiap input dari layer input :
+1 (true), -1(false), atau 0(unknown).
Contoh:
Jika objek memiliki wings (+1), beak(+1) dan geather(+1) tetapi tidak memiliki engine(-1), maka dapatdisimpulkan bahwa objek adalah Bird (+1)
03.5)1.1()1(8.212.21)2.0(0)8.0(11 RuleX
11 BirdRule YY
Pada kasus yang sama dapat disimpulkan bahawa objek bukan Plane:
02.49.1)1()6.1(10.01)1.0(0)7.0(12 RuleX
12 PlaneRule YY
02.49.1)1()6.1(10.01)1.0(0)7.0(12 RuleX
12 PlaneRule YY
02.4)3.1()1()9.2(1)0.1(1)1.1(0)6.0(13 RuleX
13 GliderRule YY
dan bukan Glider
Neuro-fuzzy systems
Kombinasi logika fuzzy dan neural network disebut neuro-fuzzy system
Sistem neuro-fuzzy yang terintegrasi dapat menggabungkankomputasi paralel dan kemampuan belajar pada jaringan syarafseperti manusia dan menjelaskan kemampuan sistem fuzzy
Sebuah sistem neuro-fuzzy adalah jaringan syaraf yang secarafungsional setara dengan model inferensi fuzzy
Dapat dilatih untuk mengembangkan aturan fuzzy IF-THEN danmenentukan fungsi keanggotaan untuk variabel input danoutput
Struktur neuro fuzzy mirip dengan multilayer neural network Secara umum struktur neuro-fuzzy terdiri atas layer input , layer
output, dan tiga hidden layer yang merepresentasikan fungsikeanggotaan dan aturan fuzzy
Neuro-fuzzy system
Layer 2 Layer 3 Layer 4 Layer 5Layer 1
y
x1
A1
A2
A3
B1
B2x2
C1
C2
x1
x1
x1
x2
x2
x2
B1
A2
B3
C2
C1
R1
R3
R5
R6
R4
R1
R5
R4
R6
R2
R3
R2
B3
A1
wR3
wR6
wR1
wR2
wR4
wR5
A3
B2
Setiap layer pada sistem neuro-fuzzy berasosiasidengan tahapan pada proses inferensi fuzzy.
Layer 1 input layer: Setiap neuron pada layer inimengirimkan sinyal crisp eksternel langsung kelapisan berikutnya
Layer 2 fuzzyfication. Neuron pada layer inimerepresentasikan fuzzy set yang digunakan dalamantesenden aturan fuzzy
Sebuah neuron fuzzyfikasi menerima sinyal masukancrisp dan menentukan sejauh mana masukan ini milikneuron
)1()1(ii xy
Fungsi aktivasi dari neuron keanggotaan diatur kefungsi yang menentukan fuzzy neuron
Jika menggunakan fungsi keanggotaan segitiga padalayer 2. Fungsi keanggotaan dapat dihitungmenggunakan rumus berikut:
2 if ,0
22 if ,
21
2 if ,0
)2(
)2(
)2(
)2(
)2(
bax
bax
ba
b
ax
bax
y
i
i
i
i
i
Triangular activation functions
(b) Effect of parameter b.
0.2
0.4
0.6
0.8
1
a = 4, b =6
a = 4, b =4
0 4 6 80
1 2 3 5 7X
(a) Effect of parameter a.
0.2
0.4
0.6
0.8
1
a = 4, b =6
a = 4.5, b =6
0 4 6 80
1 2 3 5 7X
Layer 3 fuzzy rule layer. Setiap neuron berhubungandengan sebuah aturan fuzzy. Setiap neuron aturanfuzzy menerima input dari neuron fuzzyfikasi yang merepresentasikan aturan anticenden fuzzy.
Contohnya neuron R1 berhubungan dengan Rule 1 menerima input dari neuron A1 dan B1
Pada sistem neuro-fuzzy, intersection diimplementasikan dengan operator product
)3()3(2
)3(1
)3(kiiii xxxy 111
)3(1 RBARy
Layer 4 layer output keanggotaan. Neuron pada layer inimerupakan fuzzy set yang digunakan dalam aturan fuzzy
Sebuah neuron output keanggotaan menggabungkansemua input dengan menggunakan operasi fuzzy.
Operasi diimplementasikan oleh probabilistik OR
Nilai c1 merepresentasikan kekuatan aturan fuzzy neuron R3 dan R6
)4()4(2
)4(1
)4( liiii xxxy 163)4(
1 CRRCy
Layer 5 defuzzyfication layer. Setiap neuron pada layer ini merepresentasikan output tunggal dari sistemneuro-fuzzy.
Menggunakan metode sum-product composition.
2211
222111
CCCC
CCCCCC
bb
babay
ANFIS: Adaptive Neuro-Fuzzy Inference System
N1
y
N3
N2
N4
1
x2
x1
Layer 2 Layer 5Layer 3 Layer 4 Layer 6Layer 1
A1
A2
B1
B2
x1 x2
1
2
3
4
2
3
4
Layer 1 input layer. Neuron pada layer ini hanyamelewatkan sinyal crisp eksternal ke Layer 2.
Layer 2 fuzzification layer. Neuron pada layer inimelakukan fuzzification.
Layer 3 rule layer.Setiap neuron pada layer iniberhubungan dengan aturan tunggal fuzzy Sugeno.
Pada ANFIS, konjungsi pada aturan antecendentdievaluasi menggunakan operator product. Output dari neuron i pada Layer 3 dirumuskan:
k
jjii xy
1
)3()3( y(3) = A1 B1 = 1,1
1 merepresentasikan nilai kebenaran dari Rule 1
Layer 4 normalization layer. Setiap neuron pada layer ini menerima input dari semua neuron pada layer aturan dan menghitung normalisasinya.
Output dari neuron i pada layer 4 dihitung dengan rumus:
in
jj
in
jji
iii
x
xy
11
)4(
)4()4(
14321
1)4(1N
y
Layer 5 defuzzification. Setiap neuron pada layer ini terhubung ke normalisasi neuron masing-masing, dan juga menerima masukan awal x1 dan x2.
Sebuah neuron defuzzifikasi menghitung nilai bobotdengan aturan
ki0, ki1 dan ki2 adalah satu set parameter konsekuenrule i.
21 21 2 10 2 10)5()5( xkxkkxkxkkxy iiiiiiiii
Layer 6 direpresentasikan dengan summation neuron tunggal. Neuron menghitung jumlah dari output semua neuron fuzzifikasi dan menghasilkan output ANFIS y
n
iiiii
n
ii xkxkkxy
1210
1
)6( 21
Tugas Membaca Paper
Membuat laporan kelompok (3 orang)
Laporan dikumpulkan ke email [email protected] Subject TI4BLaporan
Paling lambat 11 Juni 2014 Pkl 12.00 WIB