scholarly journals Sistem Deteksi Kelainan Neuromuscular Menggunakan Adaptive Neuro Fuzzy Inference System dan Dekomposisi Wavelet Elektromyogram

2021 ◽  
Vol 7 (3) ◽  
pp. 426
Author(s):  
Nuryani Nuryani ◽  
Iftita Ida Sofia ◽  
Mohtar Yunianto
Keyword(s):  
Root Mean Square ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Approximate Entropy ◽  
Singular Value ◽  
Mean Square ◽  
Spectral Entropy ◽  
Inference System ◽  
Neuro Fuzzy

Sistem neuromuscular terdiri dari saraf motorik dan otot rangka yang menghasilkan aktivitas kelistrikan pada otot dan menyebabkan otot dapat berkontraksi dan menghasilkan gerak tubuh. Gangguan neuromuscular dapat terjadi pada sel saraf yang dinamakan Neuropathy dan pada sel otot yang dinamakan Myopathy. Aktivitas kelistrikan pada otot direkam melalui suatu alat yang dinamakan Electromiography (EMG). Pada penelitian ini dilakukan identifikasi sinyal EMG pasien sehat, myopathy dan neuropathy. Neuropathy merupakan gangguan yang disebabkan oleh kerusakan sel saraf. Myopathy merupakan gangguan yang disebabkan oleh kerusakan sel otot. Penanganan dan pengobatan myopathy dan neuropathy berbeda, sehingga diperlukan suatu metode yang dapat mendiagnosis dengan tepat jenis gangguan yang dialami. Analisis karakteristik sinyal EMG dilakukan menggunakan metode dekomposisi Wavelet Discrete Dyadic dan variasi fitur Root Mean Square (RMS), approximate entropy, spectral entropy dan Singular Value Decompotition (SVD) entropy. Sinyal karakteristik yang diperoleh di identifikasi menggunakan metode klasifikasi Adaptive Neuro Fuzzy Inference System (ANFIS). Performa ANFIS dalam mengidentifikasi karakteristik sinyal EMG pada masing-masing koefisien dekomposisi, menghasilkan performa terbaik pada koefisien aproksimasi ke-5 (cA5), dengan akurasi 100%, sensitivitas 100% dan spesivitas 100%.

Development of an adaptive neuro-fuzzy inference system (ANFIS) model to predict sea surface temperature (SST)

2020 ◽  
Vol 49 (4) ◽  
pp. 354-373
Author(s):  
Semih Kale
Keyword(s):  
Surface Temperature ◽  
Sea Surface Temperature ◽  
Mean Square Error ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Sea Surface ◽  
Mean Square ◽  
Anfis Model ◽  
Inference System ◽  
Neuro Fuzzy

Abstract An accurate estimation of the sea surface temperature (SST) is of great importance. Therefore, the objective of this work was to develop an adaptive neuro-fuzzy inference system (ANFIS) model to predict SST in the Çanakkale Strait. The observed monthly air temperature, evaporation and precipitation data from the Çanakkale meteorological observation station were used as input data. The Takagi–Sugeno fuzzy inference system was applied. The grid partition method (ANFIS-GP) and the subtractive clustering partitioning method (ANFIS-SC) were used with Gaussian membership functions to generate the fuzzy inference system. Six performance evaluation criteria were used to evaluate the developed SST prediction models, including mean square error (MSE), root mean square error (RMSE), mean absolute error (MAE), mean absolute percentage error (MAPE), Nash-Sutcliffe efficiency (NSE) and correlation of determination (R2). The dataset was randomly divided into training and testing datasets for the machine learning process. Training data accounted for 75% of the dataset, while 25% of the dataset was allocated for testing in ANFIS. The hybrid algorithm was selected as a training algorithm for the ANFIS. Simulation results revealed that the ANFIS-SC4 model provided a higher correlation coefficient of 0.96 between the observed and predicted SST values. The results of this study suggest that the developed ANFIS model can be applied for predicting sea surface temperature around the world.

scholarly journals Hybridization of time synchronous averaging, singular value decomposition, and adaptive neuro fuzzy inference system for multi-fault bearing diagnosis

2020 ◽  
Vol 12 (12) ◽  
pp. 168781402098056
Author(s):  
Walid Touzout ◽  
Djamel Benazzouz ◽  
Fawzi Gougam ◽  
Adel Afia ◽  
Chemseddine Rahmoune
Keyword(s):  
Singular Value Decomposition ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Vibration Signal ◽  
Relevant Information ◽  
Singular Value ◽  
Inference System ◽  
Operation Conditions ◽  
Neuro Fuzzy ◽  
Value Decomposition

Bearing diagnosis has attracted considerable research interest; thus, researchers have developed several signal processing techniques using vibration analysis to monitor the rotating machinery’s conditions. In practical engineering, features extraction with most relevant information from experimental vibration signals under variable operation conditions is still regarded as the most critical concern. Therefore, actual works focus on combining Time Domain Features (TDFs) with decomposition techniques to obtain accurate results for defect detection, identification, and classification. In this paper, a new hybrid method is proposed, which is based on Time Synchronous Averaging (TSA), TDFs, and Singular Value Decomposition (SVD) for the feature extraction, then the Adaptive Neuro-Fuzzy Inference System (ANFIS) which gathers the advantages of both neural networks and fuzzy logic is applied for the classification process. First, TSA is used to reduce noises in the vibration signal by extracting the periodic waveforms from the disturbed data; thereafter, TDFs are applied on each synchronous signal to construct a feature matrix; afterwards, SVD is performed on the obtained matrices to remove the instability of statistical values and select the most stable vectors. Finally, ANFIS is implemented to provide a powerful automatic tool for features classification.

scholarly journals Estimation of the Solid Circulation Rate in Circulating Fluidized Bed System Using Adaptive Neuro-Fuzzy Algorithm

Energies ◽  
2021 ◽  
Vol 15 (1) ◽  
pp. 211
Author(s):  
Aamer Bilal Asghar ◽  
Saad Farooq ◽  
Muhammad Shahzad Khurram ◽  
Mujtaba Hussain Jaffery ◽  
Krzysztof Ejsmont
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Regression Analysis ◽  
Fuzzy Inference System ◽  
Circulating Fluidized Bed ◽  
Fuzzy Inference ◽  
Mean Square ◽  
Inference System ◽  
Neuro Fuzzy ◽  
Artificial Neural

Circulating Fluidized Bed gasifiers are widely used in industry to convert solid fuel into liquid fuel. The Artificial Neural Network and neuro-fuzzy algorithm have immense potential to improve the efficiency of the gasifier. The main focus of this article is to implement the Artificial Neural Network and Adaptive Neuro-Fuzzy Inference System modeling approach to estimate solid circulation rate at high pressure in the Circulating Fluidized Bed gasifier. The experimental data is obtained on a laboratory scale prototype in the Chemical Engineering laboratory at COMSATS University Islamabad. The Artificial Neural Network and Adaptive Neuro-Fuzzy Inference System use four input features—pressure, single mean diameter, total valve opening and riser dp—and one output feature mass flow rate with multiple neurons in the hidden layers to estimate the flow of solid particles in the riser. Both Artificial Neural Network and Adaptive Neuro-Fuzzy Inference System model worked on 217 data samples and output results are compared based on their Mean Square Error, Regression analysis, Mean Absolute Error and Mean Absolute Percentage Error. The experimental results show the effectiveness of Adaptive Neuro-Fuzzy Inference System (Mean Square Error is 0.0519 and Regression analysis R2=1.0000), as it outperformed Artificial Neural Network in terms of accuracy (Mean Square Error is 1.0677 and Regression analysis R2=0.9806).

PREDIKSI DEFLEKSI BALOK KAYU TUMPUAN SEDERHANA DENGAN MODEL ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)

Konstruksia ◽  
2020 ◽  
Vol 12 (1) ◽  
pp. 127
Author(s):  
Novia Hilda Silviani ◽  
Buan Anshari ◽  
Ngudiyono Ngudiyono
Keyword(s):  
Mean Square Error ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Mean Square ◽  
Inference System ◽  
Neuro Fuzzy

Defleksi merupakan parameter penting untuk mengontrol elemen struktur balok elemen pada kondisi layan. Beberapa cara untuk menghitung defleksi diantaranya dengan metode matematis seperti luas momen, balok konjugasi, Castigliano's, prinsip kerja virtual dan metode numerik seperti metode beda hingga, elemen hingga dan lain lain. Dalam naskah ini, telah dibangun model Adaptive Neuro Fuzzy Inference System (ANFIS), untuk memprediksi defleksi balok kayu tumpuan sederhana dengan beban terdistribusi merata. Data proses pembelajaran terdiri dari input dan output (target). Input pada penelitian ini meliputi modulus elastisitas (E), lebar (b), tinggi (h), bentang (L) dan beban terdistribusi merata (W) sedangkan output adalah defleksi balok. Hasil analisis menunjukkan bahwa model ANFIS mempunyai tingkat akurasi yang baik, jika dibandingkan dengan teori dimana koefisien korelasi (R2) untuk data pengujian 0.995 dan Mean Square Error (MSE) 0.13 mm. Hal ini menunjukkan bahwa model ANFIS yang dibangun dapat diandalkan untuk memprediksi lendutan balok kayu tumpuan sederhana.

Yarn Strength Modelling Using Adaptive Neuro-Fuzzy Inference System (ANFIS) and Gene Expression Programming (GEP)

2013 ◽  
Vol 8 (4) ◽  
pp. 155892501300800 ◽  
Author(s):  
A.R. Fallahpour ◽  
A.R. Moghassem
Keyword(s):  
Gene Expression ◽  
Root Mean Square Error ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Breaking Strength ◽  
Gene Expression Programming ◽  
Mean Square ◽  
Anfis Model ◽  
Inference System ◽  
Neuro Fuzzy

This study compares capabilities of two different modelling methodologies for predicting breaking strength of rotor spun yarns. Forty eight yarn samples were produced considering variations in three drawing frame parameters namely break draft, delivery speed, and distance between back and middle rolls. Several topologies with different architectures were trained to get the best adaptive neuro-fuzzy inference system (ANFIS) and gene expression programming (GEP) models. Prediction performance of the GEP model was compared with that of ANFIS using root mean square error (RMSE) and correlation coefficient (R2-Value) parameters on the test data. Results show that, the GEP model has a significant priority over the ANFIS model in term of prediction accuracy. The correlation coefficient (R2-value) and root mean square error for the GEP model were 0.87 and 0.35 respectively, while these parameters were 0.48 and 0.53 for the ANFIS model. Also, a mathematical formula was developed with high degree of accuracy using GEP algorithm to predict the breaking strength of the yarns. This advantage is not accessible in the ANFIS model.

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.

Sign in / Sign up

Export Citation Format

Share Document