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 exon.science@gmail.com Subject TI4BLaporan

Paling lambat 11 Juni 2014 Pkl 12.00 WIB