Adaptive neuro fuzzy inference system (ANFIS)

Metode adaptive neuro fuzzy inference system (ANFIS) merupakan metode yang menggunakan jaringan syaraf tiruan untuk mengimplementasikan system inferensi fuzzy. Keunggulan system inference fuzzy adalah dapat menerjemahkan pengetahuan dari pakar dalam bentuk aturan-aturan, namun biasanya dibutuhkan waktu yang lama untuk menetapkan fungsi keanggotaannya. Oleh sebab itu dibutuhkan teknik pembelajaran dari jaringan syaraf tiruan untuk mengotomatisasi proses tersebut sehingga dapat mengurangi waktu pencarian, hal tersebut menyebabkan metoda ANFIS sangat baik diterapkan dalam berbagai bidang.

Landasan Teori

II.1 Soft Computing

Soft Computing (SC) merupakan suatu bidang ilmu multidisiplin, pertama kali diusulkan oleh Dr. Lotfi A. Zadeh. Pada makalah pertamanya tentang Soft Data Analysis, Dr. Zadeh mendefinisikan SC sebagai penggabungan Fuzzy Logic, Neuro Computing, Evolutionary Computation, dan Probabilistic Computing ke dalam suatu bidang multidisiplin. Pada perkembangannya Dr. Lotfi A. Zadeh mendeifnisikan SC sebagai sekumpulan metodologi yang berkembang secara terus menerus, yang bertujuan untk menghasilkan sistem yang memiliki toleransi terhaan ketidakakuratan (imprepicission), ketidakpastian (uncertainty), dan kebenaran parsial (partial truth) untuk mencapai ketahanan (robustness), bisa ditelusuri (tractability) dan biaya rendah [Zadeh, Lotfi A., 2006, “ soft computing”,www.cs.berkeley.edu/~zadeh].

Secara kasar SC dapat diartikan sebagai suatu bidang ilmu yang mempelajari metode-metode yang nantinya akan berkembang menjadi suatu kecerdasan buatan (artificial intelligence) yang bisa menirukan pola pikir manusia. Hingga saat ini SC masih tumbuh dan berkembang. Sehingga, definisi SC yang jelas masih belum disepakati. Satu hal yang sangat penting dalam SC adalah antara satu bidang ilmu dengan bidang ilmu yang lainnya saling melengkapi dan berkontribusi untuk menyelesaikan suatu permasalahan.

II.2 Logika Fuzzy

Logika fuzzy merupakan peningkatan dari logika Boolean yang berhadapan dengan konsep kebenaran sebagian. Di mana logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak), logika fuzzy menggantikan kebenaran boolean dengan tingkat kebenaran. Logika Fuzzy memungkinkan nilai keanggotaan antara 0 dan 1, tingkat keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti "sedikit", "lumayan", dan "sangat".

Logika Fuzzy dikatakan sebagai logika baru yang lama, sebab ilmu tentang logika fuzzy modern dan metodis baru ditemukan beberapa tahun yang lalu, padahal sebenarnya konsep tentang logika fuzzy itu sendiri sudah ada sejak lama (Sri kusumadewi dan Hari Purnomo, 2004, ”Aplikasi Logika Fuzzy untuk pendukung keputusan”, hal.1). Konsep logika Fuzzy yang sangat sistematis pertama kali diusulkan oleh Dr. Lotfi A. Zadeh, seorang bidang ilmu komputer dari University Of California, Berkeley, Amerika Serikat. Pada bulan Juni tahun 1965, profesor Zadeh mempublikasikan makalah atau paper pertama yang membahas “Fuzzy Sets ” pada jurnal Information and Control [Suyanto,ST,MSc., 2008, “Soft Computing: membangun mesin ber-IQ Tinggi”,hal.2].

Logika fuzzy merupakan suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output, sebagai contoh :

1. Manajer pergudangan mengatakan pada manajer produksi seberapa banyak persediaan barang pada akhir minggu ini, kemudian manajer produksi akan menetapkan jumlah barang yang harus diproduksi esok hari.

2. Pelayan restoran memberikan pelayanan kepada tamu, kemudian tamu akan memberikan tip yang sesuai atas baik tidaknya pelayanan yang diberikan.

3. Anda mengatakan kepada saya seberapa sejuk ruangan yang anda inginkan, kemudian saya akan mengatur putaran kipas yang ada pada ruangan ini.

[Sri kusumadewi dan Hari Purnomo, 2004, ”Aplikasi Logika Fuzzy untuk pendukung keputusan”, hal.1-2].

Neuro Fuzzy

Neuro fuzzy merupakan gabungan atau integrasi antara 2 metode yaitu, Jaringan syarat tiruan dengan sistem fuzzy, dimana 2 metode tersebut memiliki karakteristik yang bertolak belakang akan tetapi apabila digabungkan akan menjadi suatu metode yang lebih baik. Jaringan syaraf tiruan (JST) memiliki kemampuan Learning , tetapi tidak bisa menjelaskan proses penalaran yang dilakukan karena pengetahuan yang dimilikinya hanyta berupa bobot-bobot sinapsis yang biasanya bernilai real. JST tidak memiliki aturan-aturan IF – THEN sama sekali, sebaliknya sistem fuzzy tidak memiliki kemampuan learning, tetapi bisa menjelaskan proses penalaran yang dilakukannya berdasarkan aturan-aturan (rules) dalam basis pengetahuan yang dimilikinya.

Jaringan syaraf tiruan

Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural network (ANN), atau juga disebut simulated neural network (SNN), atau umumnya hanya disebut neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. JST merupakan sistem adaptif yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data (id.wikipedia.org).

ANFIS

Adaptive Neuro-Fuzzy Inference System (ANFIS) adalah penggabungan mekanisme fuzzy inference system yang digambarkan dalam arsitektur jaringan syaraf. Sistem inferensi fuzzy yang digunakan adalah sistem inferensi fuzzy model Tagaki-Sugeno-Kang (TSK) orde satu dengan pertimbangan kesederhanaan dan kemudahan komputasi.

Untuk menjelaskan arsitektut ANFIS, disini siasumsikan fuzzy inference sistem (FIS) hanya mempunyai dua input, x dan y, serta satu output yang dilambangkan z. Pada model sugeno orde satu, himpunan aturan menggunakan kombinasi linier dari input-input yang ada, dapat diekspresikan sebagai berikut :

IF x is A1 AND y is B1 THEN f1 = p1x + q1y + r1

IF x is A2 AND y is B2 THEN f2= p2x + q2y + r2

 

Di ambil dari: http://indrockz.blogspot.com/2009/05/adaptive-neuro-fuzzy-inference-sistem.html