Fuzzy Model Reference Learning Control (FMRLC)

Sebuah "sistem pembelajaran" memiliki kemampuan untuk meningkatkan kinerjanya dari waktu ke waktu dengan berinteraksi dengan lingkungannya. Sebuah sistem kontrol pembelajaran dirancang sedemikian rupa sehingga "learning controller" memiliki kemampuan untuk meningkatkan kinerja sistem close-loop dengan menghasilkan input perintah untuk plant dan memanfaatkan informasi umpan balik dari plant.

Pada bagian ini kami memperkenalkan "fuzzy model reference learning controller" (FMRLC), yang merupakan (direct) model reference adaptive controller. Istilah "belajar" digunakan sebagai lawan dari "adaptif" untuk membedakannya dari pendekatan konvensional model reference adaptive control untuk sistem linear dengan parameter plant diketahui. Secara khusus, adanya perbedaan karena FMRLC akan menyempurnakan dan sampai batas tertentu mengingat nilai-nilai yang telah disetel di sebelumnya, sedangkan pendekatan konvensional untuk sistem linear hanya terus menyempurnakan parameter kontroler. Oleh karena itu, untuk beberapa aplikasi ketika FMRLC kembali dirancang secara tepat untuk kondisi operasi yang sering terjadi, itu akan sudah tahu bagaimana mengontrol untuk kondisi itu. Banyak teknik kontrol adaptif konvensional sebelumnya untuk sistem linier harus re-tuning setiap kali kondisi operasi baru ditemui.

Fungsional diagram blok untuk FMRLC ditunjukkan pada Gambar di bawah, Ia memiliki empat bagian utama: plant, fuzzy controller untuk disetel, model referensi, dan mekanisme pembelajaran (mekanisme adaptasi). Kami menggunakan sinyal waktu diskrit karena lebih mudah untuk menjelaskan pengoperasian FMRLC untuk sistem waktu diskrit. FMRLC menggunakan mekanisme belajar untuk mengamati data numerik dari sistem kontrol fuzzy (yaitu, r(kT) dan y(kT) dimana T adalah periode sampling). Dengan menggunakan data numerik ini, mencirikan kinerja sistem kontrol fuzzy saat ini dan secara otomatis mensintesis atau menyesuaikan kontroler fuzzy sehingga beberapa tujuan kinerja yang diberikan terpenuhi. Tujuan kinerja ini (spesifikasi loop tertutup) dicirikan melalui model referensi yang ditunjukkan pada Gambar di bawah. Dalam cara yang analog dengan MRAC konvensional dimana pengendali konvensional disesuaikan, mekanisme belajar berusaha untuk menyesuaikan kontroler fuzzy sehingga sistem loop tertutup (skema dari r(kT) ke y(kT)) bertindak seperti model referensi yang diberikan (skema dari r(kT) ke ym(kT)). Pada dasarnya, lingkup sistem kontrol fuzzy (bagian bawah Gambar di bawah) beroperasi untuk membuat y(kT) mengikuti r(kT) dengan memanipulasi u(kT), sedangkan lingkup tingkat atas kontrol adaptasi (bagian atas Gambar di bawah) berusaha untuk membuat output dari plant y(kT) melacak output dari model referensi ym(kT) dengan memanipulasi parameter kontroler fuzzy.

Refference :

Kevin M. Passino, Fuzzy Control, 1998, Addison Wesley Longman, Inc

ANFIS (Adaptive Neuro Fuzzy Inference System)

ANFIS merupakan Adaptive Neural Network (ANN) yang fungsinya sama seperti / menyerupai Fuzzy Inference System, atau boleh kita sebut Adaptive Network based Fuzzy Inference System.
Untuk memperjelas, akan ditunjukan terlebih dahulu struktur / skema Fuzzy Inference System (FIS) kemudian akan kita tiru fungsional skema tersebut dengan ANN.
Berikut skema FIS

skema di atas merupakan FIS dengan metode Sugeno orde 1, menggunakan 2 input (x,y) 1 output, dan menggunakan 2 rule untuk FIS.
Berikut akan kita ubah skema di atas dalam bentuk ANN dengan mempertahankan fungsi-fungsinya

Skema di atas merupakan skema ANN dengan fungsi-fungsi pada setiap bagiannya di samakan dengan FIS, sehingga kita bisa sebut skema di atas sebagai skema ANFIS.

Jika ingin lebih jelas, sampai penjelasan per struktur dan per layer serta fungsi-fungsi terkait, silahkan anda cari pada referensi berikut :
Jang, J-S, dkk., Neuro-Fuzzy and Soft Computing, Prentice-Hall International, Inc., 1997.

Algoritma Genetika

Algoritma genetika diusulkan pertama kali oleh John Holland dan kolega-koleganya di Universitas Michigan untuk aplikasi cellular automata. Teknik ini menjadi populer di antara saintis dan rekayasawan seluruh dunia untuk memecahkan masalah optimasi mereka.

Algoritma genetika merupakan simulasi proses yang terjadi pada populasi alamiah yang merupakan hal penting dalam proses evolusi[1]. Di alam, individu di suatu populasi saling bersaing untuk memperoleh sumber daya seperti makan, baju dan tempat bekerja. Anggota-anggota sesama spesies sering bersaing untuk mendapatkan jodoh. Individu yang paling berhasil dalam mempertahankan hidup dan mendapatkan jodoh akan memiliki banyak keturunan (offspring). Individu yang kinerjanya buruk akan menghasilkan sedikit keturunan, bahkan ada yang tidak memiliki keturunan sama sekali.

Mekanisme Algoritma Genetika

Sesuai dengan teori genetika, sebelum algoritma genetika dapat dijalankan, sebuah kode yang sesuai (representatif) untuk persoalan harus dirancang. Untuk ini maka titik solusi dalam ruang permasalahan dikodekan dalam bentuk kromosom/string yang terdiri atas komponen genetik terkecil, yaitu gen. Pemakaian bilangan seperti integer, floating point, dan abjad sebagai alele (nilai gen) memungkinkan operator genetika, yaitu reproduksi (reproduction), pindah silang (crossover) dan mutasi (mutation) untuk menciptakan himpunan titik-titik solusi. Untuk memeriksa hasil optimasi, dibutuhkan fungsi fitness, sebagai ukuran dari proses optimasi (dalam istilah teknik optimasi, ini lebih dikenal sebagai fungsi tujuan –object function- atau fungsi biaya –cost function). Selama berjalan, induk harus digunakan untuk reproduksi, pindah silang dan mutasi untuk menciptakan keturunan. Jika algoritma genetika dirancang dengan baik, populasi akan mengalami konvergensi dan akan didapatkan sebuah solusi yang optimum (atau lebih tepat dikenal sebagai acceptable optimum).

Secara umum hal-hal yang harus dilakukan dalam algoritma genetika adalah sebagai berikut:

1. Mendefinisikan individu. Suatu individu menyatakan salah satu solusi (penyelesaian) yang mungkin dari permasalahan yang diangkat.
2. Mendefinisikan nilai fitness. Nilai fitness merupakan ukuran baik-tidaknya sebuah individu atau baik-tidaknya solusi yang didapatkan.
3. Menentukan proses pembangkitan populasi awal. Hal ini biasanya dilakukan dengan menggunakan pembangkitan acak seperti random-walk.
4. Menentukan proses seleksi yang akan digunakan.
5. Menentukan proses pindah silang dan mutasi gen yang akan digunakan.

refferensi :

[1]  Kuswadi, S., Kendali Cerdas Teori dan Aplikasi Praktisnya, ANDI, Yogyakarta, 2007

Pengenalan Sistem Kontrol Pneumatik

Sistem peneumatik pada dasarnya adalah sebuah sistem yang menggunakan sistem mekanika udara sebagai pengerak. Keunggulan penggunaan sistem ini  dari pada sistem yg lain:

1. jumlah udara yg melimpah
2. transfer udara yg relativ mudah dilakukan
3. kecepatan sistem
4. keamanan sistem
5. bersih
6. tidak terjadi karat

komponen yg biasa digunakan:

1. kompresor
2. piston
3. valve
4. regulator

untuk penggerak / piston ada berbagai jenis, diantaranya:

1. single acting
2. double acting single ending
3. double acting double ending
4. spring return
5. dan masih banyak lagi

Adaptive Neuro-Fuzzy Inference System (ANFIS)

Neuro-Fuzzy Control menurut Fuller^[1] didefinisikan sebagai teknik kontrol yang merupakan kombinasi dua buah metode yaitu metode logika fuzzy dan JST. JST baik bila digunakan untuk pengenalan pola, tetapi tidak dapat menjelaskan bagaimana sistem tersebut mendapatkan hasil, sedangkan fuzzy logic merupakan metode yang dapat menjelaskan mengenai hasil yang didapatkan tetapi sistem tersebut tidak dapat secara otomatis memperoleh desain variabel dan aturan-aturan yang digunakan untuk mendapatkan hasil. Oleh karena itu, diperlukan kombinasi dari kedua sistem tersebut agar kinerja sebuah sistem proses semakin memuaskan.

            Menurut Dewanto dkk^[2], neuro-fuzzy merupakan gabungan antara prinsip belajar dari JST untuk adaptasi fungsi keanggotaan dari fuzzy. Kombinasi dari kedua jenis kontroler ini dilakukan untuk saling melengkapi kelebihan dan mengurangi kekurangan masing-masing kontroler. Dari kemampuannya untuk belajar, maka sistem kontrol neuro-fuzzy sering disebut sebagai ANFIS (Adaptive Neuro Fuzzy Inference System). Secara fungsional, arsitektur ANFIS sama dengan fuzzy rule base model Sugeno. Dapat dikatakan bahwa ANFIS adalah suatu metode yang menggunakan algoritma pembelajaran terhadap sekumpulan data untuk melakukan penyetelan aturan.^[3]

refferensi :

1. [1]  Fuller, Robert,. Neural Fuzzy System. Donner Visiting professor˚Abo Akademi Universit. ˚Abo, 1995.
2. [2]  Dewanto R.A, dkk., Identifiasi Dinamika Sistem Menggunakan Neuro-Fuzzy, Skripsi S-1, STIMIK-DCI, Tasikmalaya. 2005.
3. [3]  Kusumadewi, Sri dan Sri Hartati, Neuro-Fuzzy Integrasi Sistem Fuzzy & Jaringan Syaraf Edisi2, Penerbit Graha Ilmu, Yogyakarta, 2010.

Neuro-Fuzzy Inference System

Kusumadewi^[1] mengemukakan Neuro-Fuzzy Inference System merupakan kumpulan aturan dan suatu metode inferensi yang dikombinasikan dalam suatu struktur terhubung kemudian dilakukan pelatihan dan adaptasi. Salah satu model yang merupakan bentuk jaringan adaptif yang berfungsi seperti halnya sistem inferensi fuzzy adalah Adaptive Neuro-Fuzzy Inference System (ANFIS)^[2], dan Dynamic Envolving Neuro-Fuzzy Inference System (DENFIS)^[3].

            Banyak sistem neuro-fuzzy yang menggunakan algoritma backpropagation  untuk membangkitkan aturan-aturan fuzzy dengan fungsi keangotaan menggunakan model gaussian yang diberikan secara terpisah. Hal ini mengakibatkan, jika jumlah variabel masukan ditambah, maka bertambah banyak pula parameter-parameter yang harus dibangkitkan. Mizumoto^[4] memperkenalkan algoritma pembelajaran pada neuro-fuzzy tanpa harus mengubah bentuk aturan fuzzy. Metode ini sangat efisien terutama jika digunakan untuk identifikasi fungsi-fungsi nonlinier^[5].

refferensi :

1. [1]  Kusumadewi, Sri., Neuro-Fuzzy Integrasi Jaringan Syaraf dan Sistem Fuzzy, Penerbit Graha Ilmu, Yogyakarta, 2006.
2. [2]  Jang, J-S, dkk., Neuro-Fuzzy and Soft Computing, Prentice-Hall International, Inc., 1997.
3. [3]  Kasabov, Nik. Envolving Neuro-Fuzzy Inference Systems. 2002.
4. [4]  Mizumoto, Masaharu dan Shi, Yan., A New Approach of Neuro-Fuzzy Learning Algorithm, 1997.
5. [5]  Kusumadewi, Sri., Artificial Intelligence (Teknik & Aplikasinya), Penerbit Graha Ilmu, Yogyakarta, 2003.