review jurnal neuro fuzzy

1

MODEL PRAKIRAAN PEMAKAIAN LISTRIK MENGGUNAKAN

SISTEM NEURO-FUZZYReview jurnal oleh:

ERNI SENIWATI(290624)NOVA EL MAIDAH (306421)

2

ELECTRICITY CONSUMPTION PREDICTION MODEL USING

NEURO-FUZZY SYSTEMRahib Abiyev, Department of Computer Engineering, Near EastUniversity, TurkeyVasif H. Abiyev, Department of Economics, Hacettepe University, TurkeyCemal Ardil, Azerbaijan National Academy of Aviation, Baku, Azerbaijan

3

Jurnal ini merupakan pengembangan dari jaringan syaraf berdasarkan sistem inferensi fuzzy untuk perkiraan penggunaan listrik. Konsumsi listrik berdasarkan beberapa faktor antara lain, jumlah konsumen, musim, jenis konsumen, jumlah pembangkit dan lain-lain. Pengembangan ini merupakan proses nonlinier dan dapat dijelaskan oleh chaotic time-series. Struktur dan algoritma sistem neuro-fuzzy dapat digunakan untuk memperkirakan konsumsi penggunaan listrik. Untuk menentukan koefisien sistem yang tidak diketahui, digunakan algoritma pembelajaran terawasi. Sebagai hasil pembelajaran, terbentuk aturan sistem neuro-fuzzy. Sistem yang dikembangkan diterapkan untuk memperkirakan penggunaan konsumsi listrik Siprus Utara, yang disimulasi oleh sistem neuro-fuzzy.

INTISARI

4

Sistem Fuzzy telah menemukan sejumlah aplikasi praktis dalam identifikasi, kendali, prediksi dan diagnosa.

Pengembangan sistem fuzzy menggunakan aturan IF-THEN untuk menggambarkan pengetahuan dari pakar.

Sistem neuro-fuzzy mengkombinasi kemampuan pembelajaran jaringan saraf dengan interpretasi aturan linguistik dalam sistem inferensi fuzzy

PENDAHULUAN

5

Struktur neuro-fuzzy digunakan untuk prakiraan penggunaan listrik berdasarkan pengukuran yang sedang berlangsung dan keadaan yang pernah terjadi.

Karakteristik prosesnya nonlinier dan dapat digambarkan oleh choatic time series yang dimodelkan dan diprakirakan oleh jaringan syaraf

PENDAHULUAN

6

Gambar 1. Struktur Sistem Inferensi Neuro-Fuzzy

7

Sinyal input diterapkan untuk jaringan pada waktu k adalah xi(k) dengan i = 1 .. N

Sinyal output jaringan adalah u(k) N adalah jumlah neuron pada lapisan input Pada lapisan pertama jumlah node adalah

sama dengan jumlah input eksternal Pada lapisan kedua setiap node bersesuai

dengan satu istilah linguistik Setiap sinyal input sistem memiliki derajat

keanggotaannya yang merupakan hasil perhitungan fuzzy

SISTEM INFERENSI NEURO-FUZZY

8

Untuk menggambarkan fungsi linguistiknya digunakan fungsi Gaussian:

c1ij dan σ1ij adalah pusat dan lebar fungsi keanggotaan Gaussian dari input i ke j


9

μ1j(xi) adalah fungsi keanggotaan dari variabel i input untuk j

n adalah jumlah sinyal input eksternal j adalah input eksternal linguistik untuk xi

P adalah jumlah bentuk linguistik Pada lapisan ketiga jumlah node bersesuaian

dengan jumlah aturan Setiap node merepresentasikan satu aturan

logika fuzzy Untuk menghitung nilai sinyal output dari lapisan

dengan menggunakan operator AND (min)


10

Dimana μl adalah sinyal input dari lapisan sebelumnya.

Operasi defuzzifikasi menggunakan pusat rerata (center of average) maka fungsi Gaussian pusat digunakan untuk defuzzifikasi lapisan berikutnya.


11

c21 merepresentasikan pusat dari koefisien fuzzy. Output lapisan kelima dihitung berdasarkan persamaan 3:


12

Output sistem fuzzy dapat dicari dengan persamaan 4:


13

Untuk mendefinisikan nilai akurasi dari parameter pembelajaran terawasi digunakan persamaan 5

Dengan γ adalah learning rate


14

Penyelesaian fungsi keanggotaan dari lapisan input diperbaiki dengan koefisien c1ij dan σ1ij


15

Data yang digunakan berasal dari laporan KIB-TEK dalam periode 1996 sampai 2004 yang digambarkan seperti pada gambar 2.

Struktur neuro-fuzzy dan algoritma pembelajarannya digunakan untuk mengkonstruksi model prakiraan.

Untuk memprakira nilai konsumsi listrik selanjutnya x(t+P) berdasarkan point data {x(t-(D-1)Δ),…..,x(t- Δ),…..,x(t)}. Untuk 4 data input digunakan [x(t-4) x(t-3) x(t-2) x(t)] untuk model prakiraan

SIMULASI

16

Gambar 2. Plot Data Input

17

Untuk prakiraan 3 bulan, maka data pelatihan output bersesuaian dengan x(t+3).

Data pelatihan input/output untuk sistem prakiraan akan berstruktur komponen pertama adalah vektor input 4 dimensi dan komponen kedua adalah prakiraan output

Pelatihan dimulai dengan membangun arsitektur sistem berupa 4 input dan 1 neuron output, serta 48 neuron tersembunyi (aturan) yang digunakan menjadi 3 lapisan.

SIMULASI

18

Data untuk input dan output antara 0 – 1 Jenis pelatihan yang digunakan adalah

algoritma terawasi

SIMULASI

19

Gambar 3. Plot Sinyal Output

20

dengan 1000 epoch

Gambar 4. Plot Prakiraan Error

21

SIMULASI

22

Pada jurnal ini, telah diberikan pengembangan sistem neuro-fuzzy untuk membangun time-series model prediksi.

Struktur dan algoritma pembelajaran dari sistem neuro-fuzzy diterapkan dan menghasilkan model prediksi nilai-nilai masa depan dari penggunaan listrik.

Simulasi dari pengembangan sistem neuro-fuzzy telah ditunjukkan.

Hasil pengujian dari pengembangan sistem sangat memuaskan serta metodologi digunakan dengan tepat guna.

KESIMPULAN

review jurnal neuro fuzzy

Documents