Bab 6. Neuro Fuzzy

1. ADAPTIVE NEURO
FUZZY
INFERENCE
SYSTEM (ANFIS)
Neuro Fuzzy
Sri Kusumadewi dan Sri Hartati
1

2. Definisi
ANFIS adalah arsitektur yang
secara fungsional sama dengan
fuzzy rule base model Sugeno.

3. Arsitektur
Jaringan ANFIS
Menurut Jang et al(1997: 56)Misalkan input
terdiri atas dan dan sebuah output dengan
aturan model Sugeno orde 1.
Orde satu dipilih dengan pertimbangan
kesederhanaan dan kemudahan perhitungan.
Model Sugeno orde satu dengan dua aturan
fuzzy if-then adalah sebagai berikut.

4. Jaringan ANFIS
• 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
(Fariza, dkk, 2007: 77).
• Jaringan ANFIS terdiri dari lapisan-
lapisan sebagai berikut (Jang, Sun &
Mizutani, 1997: 70).

7. Pada saat parameter premis ditemukan
keluaran keseluruhan akan merupakan
kombinasi linier dari konsekuen parameter,
yaitu:
Algoritma Pembelajaran Hybrid
Algoritma hibrida akan mengatur parameter-parameter
konsekuen dan secara maju (forward) dan akan mengatur
parameter-parameter premis a, b, dan c secara mundur
(backward). Pada langkah maju, input jaringan akan merambat
maju sampai pada lapisan keempat. Parameter-parameter
konsekuen akan diidentifikasi dengan menggunakan least-
square.Sedangkan pada langkah mundur, eror sinyal akan
merambat mundur dan parameter-parameter premis akan
diperbaiki dengan menggunakan metode gradient descent

8. 8
LSE Rekursif

9. Model propagasi eror digunakan untuk melakukan perbaikan terhadap
parameter premis (a dan c). Konsep yang digunakan adalah gradient descent.
Apabila dimiliki jaringan adaptif, dan menyatakan eror pada neuron ke-j pada
lapisan ke-i maka perhitungan eror pada tiap neuron pada tiap lapisan
dirumuskan dalam 5 lapisan error(Kusumadewi, dkk, 2006:53).
9
Model Propagasi Error

10. Sum Square Error (SSE) adalah salah satu metode statistik yang dipergunakan untuk mengukur selisih total dari nilai sebenarnya terhadap nilai yang
tercapai. Istilah SSE disebut juga sebagai Summed Square ofResiduals.
Dimana, X = nilai aktual atau sebenarnya
Y = nilai yang tercapai
Nilai X dalam penelitian ini adalah nilai yang tersimpan dalam database sedangkan nilai Y adalah komponen data uji. Nilai SSE yang mendekati 0
menandakan bahwa model tersebut mempunyai komponen kesalahan acak terkecil dan nilai tersebut akan lebih berguna untuk peramalan terhadap
suatu model yang diamati.
Sebagai catatan bahwa sebelumnya SSE didefinisikan dalam metode kelayakan kuadrat minimum (Oktavia, dkk, 2013: 94). Menurut Putu Eka IN (2003:
16)tidak ada kriteria mutlak untuk menyatakan berapakah nilai SSE yang dianggap baik dan SSE merupakan besaran yang sangat dipengaruhi oleh nilai
yang digunakan untuk menghitungnya. Semakin kecil nilai SSE, semakin baik tingkat akurasi prediksinya.
10
Sum Square Error