Teny Handhayani
Pendahuluan Hybrid intelligent system adalah kombinasi lebih dari dua teknologi cerdas. Contohnya kombinasi Neural Network dengan Fuzzy membentuk Neuro-fuzzy system
Perbandingan Expert Systems, Fuzzy Systems, Neural Networks dan Genetic Algorithms ES Knowledge representation Uncertainty tolerance Imprecision tolerance Adaptability Learning ability Explanation ability Knowledge discovery and data mining Maintainability
FS
NN
GA
* The terms used for grading are: - bad, - rather bad, - rather good and
- good
Neural expert system Sistem Pakar
Jaringan Syaraf
System pakar mengandalkan
Jaringan syaraf mengandalkan
penalaran logis dan decision tree, fokus pada pemodelan nalar manusia Sistem pakar memperlakukan otak sebagai kotak hitam Pengetahuan dalam sistem pakar berbasis aturan diwakili oleh aturan IF-THEN Pengetahuan dapat dibagi menjadi sub-pengetahuan
pengolahan data paralel dan fokus pada pemodelan otak manusia Jaringan syaraf melihat struktur dan fungsinya, terutama pada kemampuan untuk belajar Pengetahuan dalam jaringan syaraf disimpan sebagai bobot sinaptik antar neuron Pengetahuan tidak dapat dibagi menjadi sub-pengetahuan
Struktur dasar dari neural expert system Training Data Neural Knowledge Base
Rule Extraction
New Data
Rule: IF - THEN
Inference Engine
Explanation Facilities
User Interface
User
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 dan memilai inferensi berdasarkan basis pengetahuan syaraf Sebuah neural inference engine juga memastikan penalaran perkiraan
The neural knowledge base Wings +1
-0.8
Tail 0
Rule 1
Bird 1.0
-1.6 -0.7
+1
-0.2
Beak
-1.1
-0.1
Rule 2
2.2
+1
Plane 1.0
0.0
1
-1.0
Feathers
2.8
+1
-1.6
-2.9
Engine
-1.1 1.9
1 -1.3
Rule 3
Glider 1.0
1
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 dapat disimpulkan bahwa objek adalah Bird (+1)
X Rule 1 1 (0.8) 0 (0.2) 1 2.2 1 2.8 (1) (1.1) 5.3 0
YRule 1 YBird 1
Pada kasus yang sama dapat disimpulkan bahawa objek bukan Plane:
X Rule 2 1 (0.7) 0 (0.1) 1 0.0 1 (1.6) (1) 1.9 4.2 0
YRule 2 YPlane 1 dan bukan Glider
X Rule 3 1 ( 0.6) 0 (1.1) 1 (1.0) 1 ( 2.9) (1) (1.3) 4.2 0
YRule 3 YGlider 1
Neuro-fuzzy systems Kombinasi logika fuzzy dan neural network disebut neuro-fuzzy
system Sistem neuro-fuzzy yang terintegrasi dapat menggabungkan komputasi paralel dan kemampuan belajar pada jaringan syaraf seperti manusia dan menjelaskan kemampuan sistem fuzzy Sebuah sistem neuro-fuzzy adalah jaringan syaraf yang secara fungsional setara dengan model inferensi fuzzy Dapat dilatih untuk mengembangkan aturan fuzzy IF-THEN dan menentukan fungsi keanggotaan untuk variabel input dan output 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 fungsi keanggotaan dan aturan fuzzy
Neuro-fuzzy system Layer 1
Layer 2
x1 x1
x1 x1
A1 A1
Layer 3
Layer 4
Layer 5
R1 R1
A2 A2
R2 R2
wR3
A3 A3
R3 R3
C1
wR6
C1
wR1
B1 B1
R4 R4
x2 x2
x2
wR2 wR4
B2
B2
R5
R5
x2
B3
B3
R6
R6
wR5
C2
C2
y
Setiap layer pada sistem neuro-fuzzy berasosiasi dengan tahapan pada proses inferensi fuzzy. Layer 1 input layer: Setiap neuron pada layer ini mengirimkan sinyal crisp eksternel langsung ke lapisan berikutnya y (1) x (1) i
i
Layer 2 fuzzyfication. Neuron pada layer ini merepresentasikan fuzzy set yang digunakan dalam antesenden aturan fuzzy Sebuah neuron fuzzyfikasi menerima sinyal masukan crisp dan menentukan sejauh mana masukan ini milik neuron
Fungsi aktivasi dari neuron keanggotaan diatur ke fungsi yang menentukan fuzzy neuron Jika menggunakan fungsi keanggotaan segitiga pada layer 2. Fungsi keanggotaan dapat dihitung menggunakan rumus berikut:
yi( 2)
b ( 2) 0 , if x a i 2 2 xi( 2) a b b 1 , if a xi( 2) a b 2 2 b ( 2) if xi a 0, 2
Triangular activation functions
1
1
a = 4, b =6
a = 4.5, b =6
a = 4, b =6
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0 0
1
2
3
4
5
6
7
(a) Effect of parameter a.
8
X
a = 4, b =4
0 0
1
2
3
4
5
6
7
(b) Effect of parameter b.
8
X
Layer 3 fuzzy rule layer. Setiap neuron berhubungan dengan sebuah aturan fuzzy. Setiap neuron aturan fuzzy 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
yi(3)
(3) x1(i3) x2(3i ) xki
(3) y R1
A1 B1 R1
Layer 4 layer output keanggotaan. Neuron pada layer ini
merupakan fuzzy set yang digunakan dalam aturan fuzzy Sebuah neuron output keanggotaan menggabungkan semua input dengan menggunakan operasi fuzzy. Operasi diimplementasikan oleh probabilistik OR
yi( 4)
x1(i4)
x2( 4i )
xli( 4)
( 4) yC1 R3 R 6 C1
Nilai c1 merepresentasikan kekuatan aturan fuzzy neuron
R3 dan R6
Layer 5 defuzzyfication layer. Setiap neuron pada layer ini merepresentasikan output tunggal dari sistem neuro-fuzzy. Menggunakan metode sum-product composition.
C1 aC1 bC1 C 2 aC 2 bC 2 y C1 bC1 C 2 bC 2
ANFIS: Adaptive Neuro-Fuzzy Inference System Layer 1
Layer 2
Layer 3
Layer 4
A1
1
N1
1
A2
2
N2
2
x1 x2
Layer 5
Layer 6
x1
B1
3
N3
3
B2
4
N4
4
x2
y
Layer 1 input layer. Neuron pada layer ini hanya melewatkan sinyal crisp eksternal ke Layer 2. Layer 2 fuzzification layer. Neuron pada layer ini melakukan fuzzification. Layer 3 rule layer.Setiap neuron pada layer ini berhubungan dengan aturan tunggal fuzzy Sugeno. Pada ANFIS, konjungsi pada aturan antecendent dievaluasi menggunakan operator product. Output dari neuron i pada Layer 3 dirumuskan: k
yi(3) x (ji3) j 1
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: xii( 4)
yi( 4) n
i n
( 4) x ji
j
j 1
j 1
i
1 ( 4) y N1 1 1 2 3 4
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 bobot dengan aturan
yi(5) xi(5) ki 0 ki1 x1 ki 2 x 2 i ki 0 ki1 x1 ki 2 x 2 ki0, ki1 dan ki2 adalah satu set parameter konsekuen rule i.
Layer 6 direpresentasikan dengan summation neuron tunggal. Neuron menghitung jumlah dari output semua neuron fuzzifikasi dan menghasilkan output ANFIS y n
n
i 1
i 1
y xi(6) i ki 0 ki1 x1 ki 2 x 2
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
