Arsitektur ANFIS – Adaptive Neuro-Fuzzy Inference System (ANFIS) adalah metode yang digunakan untuk menyelesaikan masalah inferensi fuzzy dengan menggabungkan konsep dari jaringan saraf dan logika fuzzy. ANFIS digunakan dalam berbagai bidang, seperti kontrol, pengenalan pola, sistem pakar, dan lain-lain.
Arsitektur ANFIS terdiri dari beberapa lapisan, yaitu Lapisan input, Lapisan fuzzy, Lapisan inferensi, Lapisan output, Lapisan pembelajaran. Penjelasannya adalah sebagai berikut.
Lapisan input
Lapisan ini menerima input dari lingkungan. Input dapat berupa data numerik atau data kategori. Dalam ANFIS, input diterjemahkan ke dalam variabel input fuzzy (linguistic variable) yang dinyatakan dalam bentuk label fuzzy (linguistic label).
Contohnya, dalam sistem kendali suhu, input yang diterima adalah suhu yang diukur oleh sensor. Suhu ini diterjemahkan ke dalam variabel input fuzzy yang dinyatakan dalam label fuzzy seperti “dingin”, “normal”, atau “panas”.
Lapisan fuzzy
Lapisan ini menerapkan aturan fuzzy pada input yang diterima. Aturan fuzzy didefinisikan sebagai hubungan antara input dan output, yang dinyatakan dalam bentuk if-then.
Contohnya, aturan fuzzy dalam sistem kendali suhu adalah “Jika suhu < 20 derajat, maka outputnya dingin”, “Jika suhu 20-30 derajat, maka outputnya normal”, dan “Jika suhu > 30 derajat, maka outputnya panas”.
Lapisan inferensi
Lapisan ini menentukan output berdasarkan aturan fuzzy yang diterapkan pada lapisan sebelumnya. Proses inferensi dilakukan dengan menggunakan metode inferensi fuzzy seperti metode Mamdani atau metode Tsukamoto. Proses inferensi ini menghasilkan nilai output fuzzy yang dinyatakan dalam bentuk membership function.
Contohnya, jika input yang diterima adalah suhu 25 derajat, maka proses inferensi akan menentukan bahwa outputnya adalah “normal” dengan nilai membership function sebesar 0.8.
Lapisan output
Lapisan ini memberikan output akhir dari sistem. Output dapat berupa data numerik atau data kategori. Dalam ANFIS, output fuzzy diterjemahkan ke dalam output crisp (non-fuzzy) dengan menggunakan metode defuzzifikasi seperti metode Centroid atau metode Maximum of Maximum.
Contohnya, dalam sistem kendali suhu, output yang diberikan adalah kontrol untuk menaikkan atau menurunkan suhu ruangan dengan cara mengatur power AC.
Lapisan pembelajaran
Lapisan pembelajaran merupakan lapisan terakhir dari ANFIS Architecture. Lapisan ini bertanggung jawab untuk menyesuaikan parameter sistem seperti keanggotaan function atau parameter defuzzifikasi sesuai dengan error yang dihitung pada lapisan output. Metode yang digunakan dalam lapisan pembelajaran adalah metode backpropagation yang digunakan untuk mengoptimalkan kinerja sistem.
Keanggotaan function adalah fungsi yang digunakan untuk menentukan derajat keanggotaan suatu input pada setiap label fuzzy. Contoh keanggotaan function yang umum digunakan adalah fungsi trapezoidal dan fungsi gaussian. Pada lapisan pembelajaran, parameter keanggotaan function dioptimalkan sehingga dapat menentukan derajat keanggotaan yang sesuai dengan data latih.
Sedangkan, parameter defuzzifikasi digunakan untuk menentukan output crisp dari output fuzzy yang dihasilkan oleh lapisan inferensi. Metode defuzzifikasi yang umum digunakan adalah metode centroid dan metode maximum membership. Pada lapisan pembelajaran, parameter defuzzifikasi dioptimalkan sehingga dapat menentukan output crisp yang sesuai dengan data latih.
Setelah proses pembelajaran selesai, ANFIS siap digunakan untuk menangani masalah yang sesuai. Pengguna dapat mengirimkan input ke ANFIS dan menerima output crisp yang sesuai. Selain itu, ANFIS juga dapat digunakan untuk mengoptimalkan kinerja sistem dengan menyesuaikan parameter sistem sesuai dengan kondisi lingkungan yang berubah.
Semoga penjelasan ini dapat membantu Anda memahami ANFIS Architecture dengan lebih baik.
Baca juga Daftar Semua Artikel