scholarly journals Uncertainty analysis through development of seismic fragility curve for a SMRF structure using adaptive neuro-fuzzy inference system based on fuzzy c-means algorithm

2017 ◽  
Vol 0 (0) ◽  
pp. 0-0
Author(s):  
Fooad Karimi Ghaleh Jough ◽  
S.B. Beheshti Aval
Keyword(s):  
Uncertainty Analysis ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Fragility Curve ◽  
Seismic Fragility ◽  
Inference System ◽  
Fuzzy C Means ◽  
Neuro Fuzzy ◽  
Fuzzy C Means Algorithm

APLIKASI SISTEM CERDAS UNTUK PREDIKSI ENERGI LISTRIK PEMAKAIAN SENDIRI DI PT INDONESIA POWER SUB UNIT PLTA KABUPATEN WONOGIRI

2017 ◽  
Vol 8 (2) ◽  
pp. 489
Author(s):  
Herliyani Hasanah ◽  
Nurmalitasari Nurmalitasari
Keyword(s):  
Fuzzy Inference System ◽  
Input Data ◽  
Fuzzy Inference ◽  
Percentage Error ◽  
Inference System ◽  
Fuzzy C Means ◽  
Neuro Fuzzy ◽  
Fuzzy Input

Kebutuhan akan energi listrik menjadi kebutuhan primer nasional. Dalam keberlangsungan proses produksi energi listrik pada pembangkitan – pembangkitan diperlukan energi listrik untuk pemakaian sendiri. Dalam penelitian ini dibangun sebuah aplikasi sistem cerdas untuk memprediksi energi listrik pemakaian sendiri di PT Indonesia Power sub unit PLTA Wonogiri. Pada penelitian ini menggunakan 2 kelompok input, yaitu input FIS (Fuzzy Inference System) dan input pada NN (Neuro Fuzzy). Input data  merupakan data produksi harian energi listrik di PLTA Wonogiri selama kurun waktu 2010 – 2016. Variabel data yang digunakan dalam penelitian ini adalah data produksi listrik untuk pemakaian PLTA Wonogiri adalah energi listrik yang dihasilkan PLTA Wonogiri dengan satuan KwH (f), elevasi muka air waduk dengan satuan meter (a1) dan debit air yang masuk ke turbin dengan satuan /detik (a2).  Output yang diperoleh adalah pusat centroid (m), derajat keanggotaan (mf), bobot (w) dan konsekuen parameter ( c ). Dari hasil pengujian diperoleh keluaran dengan performansi yang optimal pada saat Fuzzy C Means 2 kelas dengan parameter laju pembelajaran 0.4, momentum 0.6 dengan bessar Mean Percentage Error 0.377970875.  Kata kunci:  prediksi, pemakaian sendiri, energi listrik, fuzzy inference system, neuro fuzzy

scholarly journals Performance of Clustering on ANFIS for Weather Forecasting

2018 ◽  
Vol 12 (1) ◽  
pp. 43
Author(s):  
Candra Dewi
Keyword(s):  
Fuzzy Inference System ◽  
Rainy Season ◽  
Fuzzy Inference ◽  
Weather Forecasting ◽  
Dry Season ◽  
Inference System ◽  
Fuzzy C Means ◽  
Neuro Fuzzy ◽  
Total Data ◽  
Dry Seasons

This paper proposes the comparison of using K-Means and Fuzzy C-Means (FCM) to optimize the premise parameters on Adaptive Neuro-Fuzzy Inference System (ANFIS) for weather forecasting. The ANFIS architecture groups each of the feature inputs in the first layer into three clusters, and uses three rules for the second layer. The comparison is performed based on the RMSE value and the number of iteration. The testing is done on the percentage of 40%, 50%, and 60% of the total data. In addition, the testing is done by grouping the data based on season called rainy and dry seasons. The testing results show that both K-Means and FCM havealmost the same RMSE, except for rainy season where K-Means has better RMSE. However, K-Means requires relatively more iterations to achieve convergence. The use of FCM, in general, gives better results than K-Means. It is also shown that ANFIS provides the best performance for data onto the dry season.

Sign in / Sign up

Export Citation Format

Share Document