Performance comparison of Adoptive Neuro Fuzzy Inference System (ANFIS) with Loading Simulation Program C++ (LSPC) model for streamflow simulation in El Niño Southern Oscillation (ENSO)-affected watershed

2015 ◽  
Vol 42 (4) ◽  
pp. 2213-2223 ◽  
Author(s):  
Suresh Sharma ◽  
Puneet Srivastava ◽  
Xing Fang ◽  
Latif Kalin
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
El Nino ◽  
Southern Oscillation ◽  
Performance Comparison ◽  
Simulation Program ◽  
El Nino Southern Oscillation ◽  
Inference System ◽  
Neuro Fuzzy ◽  
Streamflow Simulation

scholarly journals PREDIKSI HUJAN BULANAN PADA PERIODE ENSO (El NINO SOUTHERN OSCILLATION) MENGGUNAKAN ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM) DI BANJARMANGU, BANJARNEGARA

2020 ◽  
Vol 21 (1) ◽  
pp. 43-51
Author(s):  
Agus Safril ◽  
Fakhrul Kurniawan ◽  
Rista Hernandi Virgianto
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Southern Oscillation ◽  
Circulation Model ◽  
Global Circulation Model ◽  
Inference System ◽  
Weather Forecasts ◽  
Global Circulation ◽  
Neuro Fuzzy ◽  
Total Column

Akurasi prediksi curah hujan yang tinggi diperlukan untuk mendapatkan informasi yang tepat dan bermanfaat untuk tindakan mitigasi bencana alam oleh masyarakat. Untuk mendapatkan akurasi yang tinggi diperlukan variabel prediktor yang secara fisis terkait erat dengan curah hujan dan dapat menangkap pola anomali curah hujan akibat El Ni?o Southern Oscillation (ENSO). Total Column Water (TCW) sebagai variabel prediktor yang dipilih merupakan potensi uap air di atmosfer yang berpeluang menjadi hujan yang jatuh di permukaan bumi. Data TCW merupakan data reanalisis Model Sirkulasi Global (Global Circulation Model) yang diambil dari European Centre for Medium-Range Weather Forecasts (ECMWF). Analisis korelasi dilakukan untuk mendapatkan tingkat keterhubungan antara prediktor dengan curah hujan. Model prediksi Adaptive Neuro Fuzzy Inference System (ANFIS) digunakan untuk memprediksi curah hujan yang bersifat chaotic. Hasil penelitian menunjukkan pola klimatologis prediktor TCW sesuai pola curah hujan klimatologis dengan kekuatan relasi (r) 0,79. Hasil penelitian menunjukkan pola klimatologis prediktor TCW mengikuti pola curah hujan klimatologis dengan kekuatan relasi r(0,79) pada skala bulanan dan r(0,73) pada skala dasarian. Korelasi antara prediksi dan curah hujan observasi sebesar 0,82. Korelasi paling rendah pada saat terjadi pola Normal, El Ni?o dan La Ni?a pada tahun 2016 yakni 0,69, diikuti tahun 2014 saat Fase Normal dan El Ni?o sebesar 0,77, dan saat El Ni?o dominan mencapai korelasi tertinggi yaitu 0,93 di tahun 2015. Pada prediksi hujan skala dasarian menunjukkan tingkat keandalan yang tidak jauh berbeda dengan prediksi hujan bulanan dengan nilai r(0,65) pada periode La Ni?a dan r(0,80) pada periode El Ni?o.

scholarly journals Performance Comparison of the Single Axis and Two-Axis Solar System using Adaptive Neuro-Fuzzy Inference System Controls

2020 ◽  
Vol 190 ◽  
pp. 00005
Author(s):  
Chairul Imron ◽  
Imam Abadi ◽  
Ilham Amirul Akbar ◽  
Jauharotul Maknunah ◽  
Yusilawati Ahmad Nor ◽  
...  
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Tracking System ◽  
Maximum Energy ◽  
Performance Comparison ◽  
Energy Yield ◽  
The Sun ◽  
Inference System ◽  
Solar Tracking ◽  
Neuro Fuzzy

Solar energy is one of the renewable energy that gets more attention from many countries. Solar photo voltaic (PV) takes the right position to get the maximum energy yield. The study was conducted by comparison of performance with two methods of tracking the sun with one axis and two axes by using ANFIS control (Adaptive Neuro-Fuzzy Inference System). The solar tracking system is a system that operates on the sun by using a light sensor and controls the photovoltaic to always perpendicular to the sun by changing the pitch and yaw axis of the sun tracing properties. LDR (Light Dependent Resistor) is one of the light sensors whose resistance changes depending on the intensity of incoming light. Direct current (DC )motor is used as a PV drive panel in a solar tracking system. A two-axis solar tracking system has a greater power output than a tracking system with a single photovoltaic panel that does not use a tracking system (fixed).

Aplikasi Peramalan Kebutuhan Beban Listrik Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS)

2017 ◽  
Vol 3 (1) ◽  
pp. 36-48
Author(s):  
Erwan Ahmad Ardiansyah ◽  
Rina Mardiati ◽  
Afaf Fadhil
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Inference System ◽  
Neuro Fuzzy

Prakiraan atau peramalan beban listrik dibutuhkan dalam menentukan jumlah listrik yang dihasilkan. Ini menentukan  agar tidak terjadi beban berlebih yang menyebabkan pemborosan atau kekurangan beban listrik yang mengakibatkan krisis listrik di konsumen. Oleh karena itu di butuhkan prakiraan atau peramalan yang tepat untuk menghasilkan energi listrik. Teknologi softcomputing dapat digunakan  sebagai metode alternatif untuk prediksi beban litrik jangka pendek salah satunya dengan metode  Adaptive Neuro Fuzzy Inference System pada penelitian tugas akhir ini. Data yang di dapat untuk mendukung penelitian ini adalah data dari APD PLN JAWA BARAT yang berisikan laporan data beban puncak bulanan penyulang area gardu induk majalaya dari januari 2011 sampai desember 2014 sebagai data acuan dan data aktual januari-desember 2015. Data kemudian dilatih menggunakan metode ANFIS pada software MATLAB versi b2010. Dari data hasil pelatihan data ANFIS kemudian dilakukan perbandingan dengan data aktual dan data metode regresi meliputi perbandingan anfis-aktual, regresi-aktual dan perbandingan anfis-regresi-aktual. Dari perbandingan disimpulkan bahwa data metode anfis lebih mendekati data aktual dengan rata-rata 1,4%, menunjukan prediksi ANFIS dapat menjadi referensi untuk peramalan beban listrik dimasa depan.

PENGEMBANGAN SISTEM MANAJEMEN PENDUKUNG KEPUTUSAN PENILAIAN MUTU KEPEGAWAIAN DINAS PENDIDIKAN REMBANG MENGGUNAKAN ALGORITMA ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM)

2020 ◽  
Vol 12 (1) ◽  
pp. 6-17
Author(s):  
Angga debby frayudha ◽  
Aris Yulianto ◽  
Fatmawatul Qomariyah
Keyword(s):  
Fuzzy Inference System ◽  
Industry 4.0 ◽  
Fuzzy Inference ◽  
System Model ◽  
Inference System ◽  
Neuro Fuzzy

Di era revolusi industry 4.0 terdapat banyak sekali kemudahan yang diberikan teknologi kepada manusia. Tentu ini akan menjadi baik apabila manusia mampu memanfaatkan hal tersebut dengan baik pula. Namun disisi lain juga bisa mengakibatkan dampak negative terhadap manusia, misalnya dengan adanya internet bisa mengakibatkan manusia melakukan penipuan di media social. Selain itu dengan canggihnya teknologi dapat menjadikan manusia menjadi malas yang bisa berimbas menurunnya kualitas sumber daya manusia. Maka dari itu untuk menghadapi hal ini perlu menyiapkan pendidikan yang baik.Pendidikan akan berjalan baik apabila lembaga yang mengurusnya berkompeten dalam melakukan tugasnya .Penulis coba memberikan ide untuk memprediksi kinerja pegawai Dinas Pendidikan Kabupaten Rembang menggunakan mentode ANFIS (Adaptive Neuro Fuzzy Inference System) guna untuk membantu lembaga tersebut menyeleksi maupun menilai kinerja karyawan demi meningkatkan kualitas dari segi sumber daya manusia. ANFIS merupakan jaringan adaptif yang berbasis pada sistem kesimpulan fuzzy (fuzzy inference system). Model penilaian kinerja pegawai di Dinas Pendidikan Kabupaten Rembang dengan menggunakan Adaptive Neuro-Fuzzy Inference System (ANFIS) menghasilkan penilaian  yang lebih baik dan akurat.  Hasil pengujian metode tersebut memiliki nilai akurasi 65%. Dengan metode ANFIS (Adaptive Neuro Fuzzy Inference System) dapat memprediksi kinerja karyawan sebagai salah satu pengambilan keputusan terhadap kinerja pegawai. Selain itu nantinya system penlaian kinerja pegawai akan lebih tertata dan efisien.

scholarly journals Global Image Thresholding Adaptive Neuro-Fuzzy Inference System Trained with Fuzzy Inclusion and Entropy Measures

Symmetry ◽  
2019 ◽  
Vol 11 (2) ◽  
pp. 286 ◽  
Author(s):  
Athanasios Bogiatzis ◽  
Basil Papadopoulos
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Initial Step ◽  
Local Area ◽  
Mathematical Functions ◽  
Inference System ◽  
Neuro Fuzzy ◽  
Entropy Measures ◽  
Complex Procedure ◽  
Artificial Neural Network Ann

Thresholding algorithms segment an image into two parts (foreground and background) by producing a binary version of our initial input. It is a complex procedure (due to the distinctive characteristics of each image) which often constitutes the initial step of other image processing or computer vision applications. Global techniques calculate a single threshold for the whole image while local techniques calculate a different threshold for each pixel based on specific attributes of its local area. In some of our previous work, we introduced some specific fuzzy inclusion and entropy measures which we efficiently managed to use on both global and local thresholding. The general method which we presented was an open and adaptable procedure, it was free of sensitivity or bias parameters and it involved image classification, mathematical functions, a fuzzy symmetrical triangular number and some criteria of choosing between two possible thresholds. Here, we continue this research and try to avoid all these by automatically connecting our measures with the wanted threshold using some Artificial Neural Network (ANN). Using an ANN in image segmentation is not uncommon especially in the domain of medical images. However, our proposition involves the use of an Adaptive Neuro-Fuzzy Inference System (ANFIS) which means that all we need is a proper database. It is a simple and immediate method which could provide researchers with an alternative approach to the thresholding problem considering that they probably have at their disposal some appropriate and specialized data.

Sign in / Sign up

Export Citation Format

Share Document