Kurniawan, Muchamad (2017) Optimasi Parameter Premise Pada Adaptive-Network-Based Fuzzy Inference System Dengan Modifikasi Kombinasi Particle Swarm Optimization Dan Genetic Algorithm. Masters thesis, institute teknologi sepuluh nopember surabaya.
Preview |
Text
5113201026-Master Thesis.pdf - Published Version Download (2MB) | Preview |
Abstract
ANFIS adalah kombinasi fuzzy inference system (FIS) dan neural network (NN). Terdapat dua parameter training pada ANFIS, parameter premise dan parameter consequent. Pada ANFIS tradisional menggunakan algoritma least square estimator (LSE) dan Gradient Decent (GD) sebagai algoritma pembelajaran parameter training. Kelemahan dari perpaduan dua algortima ini adalah mendapatkan solusi yang lokal optimal.
Perubahan individu pada PSO cepat konvergen tapi memungkinkan mendapatkan hasil local optimal. hal ini dikarenakan pada PSO tidak mampu untuk menemukan ruang solusi baru. Kelebihan Algoritma GA adalah dalam menemukan ruang solusi yang lebih luas.
Kontribusi yang diusulkan adalah modifikasi dari kombinasi PSOGA. Modifikasi yang dilakukan adalah dengan menambahkan pemilihan individu. Pada penelitian ini akan dilakukan pelatihan parameter premise dengan kombinasi perpaduan PSOGA dan pelatihan parameter consequent dengan algortima LSE pada ANFIS.
Hasil Uji Coba ANFIS-PSOGA dibandingkan dengan metode ANFIS, ANFIS-GA,dan, ANFIS-PSO pada dataset Iris Flowers, Haberman, Vertebral dan Banana. ANFIS-PSOGA memperoleh nilai paling bagus dari metode-metode yang lain pada dataset Iris Flowers dengan akurasi 99.85%, dataset Haberman dengan akurasi 84.52% dan dataset Vertebral dengan akurasi 91.83%.
=============================================================================================
ANFIS is a combination of namely fuzzy Inference System (FIS) and Neural Network (NN). There are two training parameters in ANFIS, premise parameter and consequent parameter. In traditional ANFIS using hybrid Least Square Estimator (LSE) and Gradient Decent (GD) as learning algorithm for training parameters. Disadvantages of combining those two algorithms getting local optimal solution.
Individual changes to the PSO converge quickly but allow for optimal local results. This is because PSO is unable to find a new solution space. The advantage of GA's algorithm are finding a wider solution space. With the hybrid of these two algoritm will give better results.
Proposed contribution in this study is a modification of the hybrid PSOGA. Modifications were done by adding the individual election. In this study, premise parameter will be trained with a modification of hybrid PSOGA and consequent parameter will be trained with the LSE algorithm in the ANFIS method or called ANFIS-PSOGA.
ANFIS-PSOGA test results are compared with ANFIS, ANFIS-GA and ANFIS-PSO on Iris Flowers, Haberman, Vertebral and Banana datasets. ANFIS-PSOGA obtained the best accuracy results compared to other methods in the Iris Flowers dataset with 99.85% accuracy, Haberman dataset with 84.52% accuracy, and Vertebral dataset with 91.83% accuracy.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | adaptive-network-based fuzzy inference system, particle swarm optimization, genetic algorithm, klasifikasi. |
| Subjects: | Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105.546 Computer algorithms |
| Divisions: | Faculty of Information Technology > Informatics Engineering > 55101-(S2) Master Thesis |
| Depositing User: | muchamad kurniawan |
| Date Deposited: | 10 Nov 2017 07:47 |
| Last Modified: | 05 Mar 2019 06:22 |
| URI: | http://repository.its.ac.id/id/eprint/43042 |
Actions (login required)
 |
View Item |