Optimalisasi Jaringan Neuro-Fuzi Dengan Algoritma Genetik Multiresolusi Untuk Identifikasi Sistem Nonlinier
| dc.contributor.author | Ariyanto, Gunawan | |
| dc.contributor.author | Nurgiyatna, Nurgiyatna | |
| dc.date.accessioned | 2018-02-01T02:11:36Z | |
| dc.date.available | 2018-02-01T02:11:36Z | |
| dc.date.issued | 2002 | |
| dc.identifier.citation | 1. Farag W, Quintana H, “A Genetik-Based Neuro-fuzzy Approach for Modeling and Control of Dynamical sistem,”IEEE Trans. Neural Networks., vol.9,pp.756- 766,September 1998. 2. Gunawan,T., Identifikasi Sistem Nonlinier Menggunakan Recurrent Fuzzy Neural Network, Skripsi S-1 Teknik Elektro UGM, Yogyakarta,2002. 3. Lin,C.T., “Neural-network- based fuzzy logic control and decision system,”IEEE Trans. Comput.,vol.40,pp.1320-1336,Dec.1991. 4. Russo,M., “FuGeNeSys-A fuzzy genetik neural System for Fuzzy modeling,” IEEE Trans. Fuzzy Syst.,Vol.6, pp.373-387,August 1998. 5. Wang,L.X., Adaptive Fuzzy Sistems and Control, Prentice –Hall,New Jersey,1994. 6. Yan,J.,Using Fuzzy Logic,Prentice-Hall,New York,1994. | in_ID |
| dc.identifier.issn | 1412-9612 | |
| dc.identifier.uri | http://hdl.handle.net/11617/9559 | |
| dc.description.abstract | Pengetahuan tentang perilaku atau karakteristik dari sistem sangat penting dalam pengendalian sehingga diperlukan pemodelan melalui proses identifikasi sistem berdasarkan pada pengeluaran input dan output sistem. Untuk sistem yang bersifat nonlinier, pemodelan kualitatif semisal dengan logika fuzi mulai disukai dan banyak digunakan. Sistem logika fuzi memiliki kekurangan utama berupa kebutuhan akan seorang ahli dan ketidakmampuannya untuk belajar. Dengan menggabungkan prinsip kerja jaringan syaraf tiruan kedalam sistem logika fuzi maka akan terbentuk sistem baru yang bersifat adaptif yaitu jaringan neuro-fuzi yang dapat mengatasi kekurangan di atas. Supaya kinerja jaringan neuro-fuzi menjadi lebih baik maka digunakan algoritma genetik multiresolusi mampu memperbaiki kinerja jaringan neuro-fuzi untuk mengidentifikasi sistem nonlinier yang ditandai dengan perbaikan nilai mse pembelajaran dari nilai 0.0422 menjadi 0,00337. | in_ID |
| dc.language.iso | id | in_ID |
| dc.publisher | Prosiding Simposium Nasional I RAPI 2002 | in_ID |
| dc.title | Optimalisasi Jaringan Neuro-Fuzi Dengan Algoritma Genetik Multiresolusi Untuk Identifikasi Sistem Nonlinier | in_ID |
| dc.type | Article | in_ID |
