Fuzzy risk assessment of mortality after coronary surgery using combination of adaptive neuro-fuzzy inference system and K-means clustering

2016 ◽  
Vol 33 (3) ◽  
pp. 230-238 ◽  
Author(s):  
Mahyar Taghizadeh Nouei ◽  
Ali Vahidian Kamyad ◽  
MahmoodReza Sarzaeem ◽  
Somayeh Ghazalbash
Keyword(s):  
Risk Assessment ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Coronary Surgery ◽  
Inference System ◽  
Neuro Fuzzy ◽  
Fuzzy Risk Assessment

scholarly journals Security Risk Assessment of Healthcare Web Application Through Adaptive Neuro-Fuzzy Inference System: A Design Perspective

2020 ◽  
Vol Volume 13 ◽  
pp. 355-371
Author(s):  
Jasleen Kaur ◽  
Asif Irshad Khan ◽  
Yoosef B Abushark ◽  
Md Mottahir Alam ◽  
Suhel Ahmad Khan ◽  
...  
Keyword(s):  
Risk Assessment ◽  
Fuzzy Inference System ◽  
Web Application ◽  
Fuzzy Inference ◽  
Security Risk ◽  
Inference System ◽  
System A ◽  
Neuro Fuzzy ◽  
Design Perspective ◽  
Security Risk Assessment

scholarly journals Utilizing an Adaptive Neuro-Fuzzy Inference System (ANFIS) for Overcrowding Level Risk Assessment in Railway Stations

2020 ◽  
Vol 10 (15) ◽  
pp. 5156
Author(s):  
Hamad Alawad ◽  
Min An ◽  
Sakdirat Kaewunruen
Keyword(s):  
Risk Assessment ◽  
Risk Management ◽  
Real Time ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Risk Level ◽  
Railway Stations ◽  
Inference System ◽  
Neuro Fuzzy ◽  
Managing Risk

The railway network plays a significant role (both economically and socially) in assisting the reduction of urban traffic congestion. It also accelerates the decarbonization in cities, societies and built environments. To ensure the safe and secure operation of stations and capture the real-time risk status, it is imperative to consider a dynamic and smart method for managing risk factors in stations. In this research, a framework to develop an intelligent system for managing risk is suggested. The adaptive neuro-fuzzy inference system (ANFIS) is proposed as a powerful, intelligently selected model to improve risk management and manage uncertainties in risk variables. The objective of this study is twofold. First, we review current methods applied to predict the risk level in the flow. Second, we develop smart risk assessment and management measures (or indicators) to improve our understanding of the safety of railway stations in real-time. Two parameters are selected as input for the risk level relating to overcrowding: the transfer efficiency and retention rate of the platform. This study is the world’s first to establish the hybrid artificial intelligence (AI) model, which has the potency to manage risk uncertainties and learns through artificial neural networks (ANNs) by integrated training processes. The prediction result shows very high accuracy in predicting the risk level performance, and proves the AI model capabilities to learn, to make predictions, and to capture risk level values in real time. Such risk information is extremely critical for decision making processes in managing safety and risks, especially when uncertain disruptions incur (e.g., COVID-19, disasters, etc.). The novel insights stemmed from this study will lead to more effective and efficient risk management for single and clustered railway station facilities towards safer, smarter, and more resilient transportation systems.

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