1. Tujuan [back]
Mahasiswa mampu memecahkan kasus terkait perancangan fuzzy logic controller.
3. Dasar Teori [back]
Aplikasi Fuzzy Logic Kontroler Untuk Lampu Lalu Lintas Otomatis Berdasatkan Kepadatan Kendaraan
ANFIS
Adaptive Neuro Fuzzy Inference System (ANFIS)
merupakan penggabungan dari mekanisme fuzzy inference system yang digambarkan dalam
arsitektur jaringan saraf. Sistem
inferensi fuzzy yang digunakan adalah fuzzy inference system model Tagaki-Sugeno-Kang
(TSK) orde satu dengan pertimbangan kesederhanaan dan kemudahan komputasi.
Neuro-fuzzy adalah gabungan dari dua sistem, yaitu
sistem logika fuzzy dan jaringan saraf tiruan. Sistem neuro-fuzzy berdasarkan pada
sistem inferensi fuzzy yang dilatih menggunakan algoritma pembelajaran yang diturunkan
dari sistem jaringan saraf tiruan.
Fungsi rule pada ANFIS diidentikan dengan neuron
pada JST. Perbedaan dasar antara neuron fuzzy (ANFIS) dengan neuron JST adalah pada
ANFIS berupa logika fuzzy, sedangkan pada JST berupa bobot. Sedangkan perbedaan
ANFIS dengan FIS adalah pada proses penyusunan rule dimana ANFIS membentuk rule
dengan proses pembelajaran yang mirip dengan metode JST, sedangkan FIS
menggunakan logika kepakaran.
Arsitektur ANFIS diasumsikan
hanya mempunyai dua masukan (X1 dan X2), serta satu
keluaran (Y).
Pada model Sugeno orde satu, himpunan
aturan menggunakan kombinasi linier dari input-input yang ada yang dapat diekspresikan sebagai berikut:
Mekanisme penalaran pada model ini adalah :
Struktur ANFIS
Berfungsi sebagai proses fuzzyfication. Setiap node
pada layer ini bersifat adaptive dengan output.
X merupakan nilai input dan Ai atau Bi merupakan himpunan fuzzy. Masing-masing node pada layer 1 berfungsi untuk membangkitkan derajat keanggotaan.
2. Layer 2
Layer ini berfungsi untuk menghitung kekuatan
aktivasi (firing strength) pada setiap rule sebagai hasil dari semua input yang
masuk, dan dilambangkan dengan π :
3. Layer 3
Setiap node pada lapisan ini bersifat non- adaptif
yang berfungsi hanya untuk menghitung rasio antara kekuatan aktivasi pada rule
ke-i terhadap total aktivasi dari semua rule:
4. Layer 4
Setiap node pada lapisan ini bersifat adaptif dengan
persamaan
Dimana 𝑤̅𝑖 adalah output dari layer 3 dan {𝑝𝑖𝑥1 + 𝑞𝑖𝑥2 + 𝑟𝑖 } adalah himpunan parameter pada fuzzy model Sugeno orde pertama.
5. Layer 5
Layer ini merupaka node tunggal yang dilambangkan S.
Layer ini berfungsi untuk mengagregasikan seluruh output dari layer 4, dengan
persamaan :
APLIKASI LAMPU LALU LINTAS OTOMATIS
Satu metode yang paling penting dan efektif untuk
mengatur lalu lintas di persimpangan adalah dengan menggunakan lampu lalu
lintas. Lampu lalu lintas adalah sebuah alat elektrik (dengan sistem pengaturan
waktu) yang memberikan hak jalan (pada saat lampu menyala warna hijau) pada
satu arus lalu lintas atau lebih sehingga aliran lalu lintas ini bisa melewati
persimpangan dengan aman dan efisien. Persimpangan adalah simpul pada jaringan
jalan yang merupakan pertemuan antar jalan.
Melihat pentingnya pengelolaan lalu lintas agar menghasilkan
kelancaran arus lalu lintas, maka perlu adanya upaya untuk memaksimalkan
penggunaan rambu lalu lintas khususnya lampu lalu lintas yang diterapkan dengan
metode fuzzy Sugeno-ANFIS untuk meminimalkan waktu tunggu pengguna jalan. dan
perpotongan lintasan kendaraan.
Untuk variable ouput terdiri dari ruas jalan yang
lampu hijau dan lama / durasi lampu hijau
Durasi lampu hijau dikelompokkan berdasarkan
kepadatan kendaraan menjadi
1. Lama
= 7
2. Sedang
= 4
3. Cepat
= 1
Pada Aplikasi ini Kita menggunakan 2 Adaptive Neuro
Fuzzy Inference System (ANFIS) yaitu untuk pemilihan jalan yang akan lampu
hijau serta durasi lampu hijau.
1. Pemilihan
jalan yang akan lampu hijau
Pada pemilihan jalan ini, didasarkan pada kepadatan
kendaraan serta jalan utama/jalan yang diprioritaskan.
Berdasarkan hal ini, dibentuk membership dan rule
fuzzynya
Terdapat 2401 jumlah kondisi yang terjadi, karena
terdapat 4 input, variable yaitu road1, road2, road3, road4 dan masing masing
input dikelompokkan menjadi 7.
1. Lama
Lampu Hijau
Lama/durasi lampu hijau dipengaruhi oleh kepadatan
kendaraan.
Percobaan
Langkah 1. Buat pada workspace matlab data variable input
yang telah kita tentukan serta outputnya
Langkah 2. Buka toolbox matlab pada Neuro Fuzzy
Designer. Kemudian inputkan data yang telah disipkan pada workspace
Kemudian pada generate FIS kita sesuaikan dengan
jumlah input kita yaitu 7 7 7 7.
Untuk menampilkan structur ANFIS yang telah dibuat,
pilih tools structure dan akan muncul tampilan berikut.
Langkah 3. Lakukan train data
Setelah dilakukan train data akan muncul tampilan
seperti berikut.
Langkah 4. Eksport file ANFIS ke FIS type Sugeno
dengan cara klik file > Export> To File.
Kemudian buat nama file sesuai yang diinginkan. Maka
setelah di eksport file tersebut akan seperti berikut.
Langkah 5. Lihat pada bagian membership function. MF
ini akan otomatis terbentuk sesuai dengan data kita.
Langkah 7. Maka program akan membaca data ANFIS.
Jalankan simulasi Program
Tidak ada komentar:
Posting Komentar