Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   9 , No .   6 ,  Decem ber   201 9 , p p.   5537~ 5544   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v9 i 6 . pp5537 - 55 44          5537       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Estimati on of fin es amou nt in sy ariah  crimi nal offences us ing  adapti ve neuro - f uzzy infe re n ce sy stem (A NFIS)  en hanced     with an alytic  hie rarchy  process  (AHP)       Ah m ad   Fitri   Ma z lam,   Wan   Nu r al  Ja w ah i r Hj W an   Yu s so f ,  Rabiei   M am at   School  of  In for m at ic s a nd   app lied  Math ematics,   Univer sit i  Mal a y sia   T ere ngg anu ,   Mal a y s ia       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   Feb   15 , 201 9   Re vised  A pr   18 , 2 01 9   Accepte d  J un   1 0 , 201 9       All  s y ariah  cri m ina l   ca ses ,   espe c ia lly   in   khal w at   offe nce  hav e  th e ir  c ase - fa ct,   and  th e  judg es  t y pi call y   look  for ward  to  al l   th e  f ac ts  whi ch  wer e  ta bul at ed   b y   the   prosec utors.   A  var ie t y   of  cri t eri a  is  conside r e d  b y   the   judg e  t o  det ermine   the   fin es  amoun t  t ha t  should  b e   impos ed  on  an  ac cuse d   who  pl ea ds  guilt y .     In  Te ren gg anu,   t her e  were   te n  (1 0)  judge s,  and  th e  judgments  wer e  m ade   b y   the   indi v idual  d ec ision  upon  th e  trial  to  d ecide   the   c ase .   Each   judge   has    a  stake,  principl es  and  disti nc tive  criter i a  in  de t ermining  fin es  amount  on     an  a cc used  who   ple ads  gu il t y   a nd  convi c te d .   T his  rese ar ch  pap er  pre sen ts     an  Adapti v e  Ne uro - fuz z y   Inf erence   S y st em  (AN FIS )  te chni que   combining  with  Anal y t ic   Hier arc h y   Pro c ess  (AH P)  for  esti m at ing  f ine s   amount  in  S y ariah  (kh al wa t)  cr iminal .   Dat a sets  were   col l ect ed  under   the  supervision  of   reg istra r   and  s yar ie  judge  in  th e  Depa r tm ent   o f  S y ar ia h  Judi ciar y   State  o f  Te ren gg anu,   Ma lay s ia.  The   resul ts  show ed  tha t  AN FIS +A HP   co uld  esti m at e   fine s e ff icientl y   tha n  the t rad it io nal   m et hod   with   a  ver y   m ini m al   e rror.   Ke yw or d s :   Ad a ptive  n eu r o   f uzzy  i nf e re nce  s yst e m  ( AN F I S)   Am ou nt  of  f in es   A naly ti c  h ie ra r chy   p r ocess  (AHP )   Syari ah  c rim in al   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Wan N ural  Ja wah i r Hj  W a n Yu s sof,    School  of In for m at ic s an d Appli ed  Ma them at ic s,   Un i ver sit i M al ay sia  Tereng ga nu,   21030 K uala  N eru s , Te reng ga nu D a r ul I m an,  Mal ay sia .   Em a il : wan nur wy@ um t.edu . m y       1.   INTROD U CTION   Decisi on  m aki ng   is  the  proc ess  of   helpi ng  so m eon e  so l ve s  the  pro ble m   by  assessi ng  al te rn at ive   reso l ution.  It  is   a  m and at ory   act ivit y  in  real  l ife  wh ic h  in volves  se ver al   ste ps   incl ud i ng   i de ntifyi ng   t he  r esults  and  gat her i ng  inf or m at ion .  T ypic al ly ,  m any  unce rtai nties  and  inacc ur at e   data  a nd  crit e ria  are  us e d  t o  m ak e   decisi ons.  S om et i m es,  it   se e m s  natur al   to   decide,  bu t  wh e n  it   com e s  to  m ulti - crit eria  to  be  co nsi der e d,     the d eci si on - m akin g process   beco m es a fuz zy  task.    Since  de ci sion - m aking   can  be   reg a rded  as   hum an  need s ,  th ere  are  te c hn i ques  us ed  by  pe op le   to   deal   with  the  pro bl e m s.  Trad it io na ll y,  people  al ways  hold  m eet ing s  betwee n  ex per ts,  vote   for  m ajo rity   de ci sion s  and   j um p  to  a  con cl usi on  to  en d  the  pro cess.  This  pro cess  is  so m ew hat  su bject ive .   Ther e fore ,  m od e r n  m et ho ds   of   de ci sion   m aking  hav e  been   i nt rodu ce d  ra pidl y  ov er  se ver a l  decad es.  In   1992,  [ 1]  disc us se d  sever al  m et hods o f  m ulti - crit eria decisi on m akin g  a nd they  updated  the  art ic le  in  2008  [2].   A da ptive  Neuro - F uzzy  I nf e ren ce  Syst e m   (ANF IS )  m et hod  i s  one  of   t he  m os t  widely   use d  appr oach es  t o  handle  the  m ulti - crit eria  decis ion - m aking   pr ocess.   A NF I S  is  a  fu zzy   infe r ence  syst em   that  has   been   us e d  in   nu m erous  ar eas  of  resea rc h  s uch   a s  dia gnos is  [3 - 7],  m od el li ng   [8 ]   and  predict io n   [ 9] .     In  dia gnos is  a pp li cat io n,   A N FI S   was   em plo ye d  f or  ris k  diag nosis  ris k  in  de ngue   patie nts  [ 3].  The   us e  of   the  A NFIS  f or  the  diag no si s  of   m al aria  has  been   perf or m ed  by  [ 4]  to  pro vid e  be tt er  decisi on   than   the  tradit ion al   diag nosis  of   m et hods   cha ract erized  by  er otic  gu ess w ork  a n d  patie nt  obs erv at io ns   by  doct ors.  This  w ork  ach ie ves  a  ver y  cl os e  res ult  to  the  exp ect at io n  of   th e  resea rch e rs  with  a  ver y  m ini m al   error.  Anothe r  dia gnos is  w orks  us ing   ANFI S  was   pr ese nted  i n  [ 5 - 7],  as  a  base   for  hype rtensi on   diag nosis  and  f or   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber  2 01 9  :   5537  -   5544   5538   hear t  diseas e  diag nosis,  res pe ct ively .  Be sides  diag nosis,  ANFIS   m od el   was  us e d  to  f or ecast   the  return  on   stock   pri ce  in de x  of  the  Istan bu l  Stoc k  E xc hange  (ISE)   [ 8]   and  predict   t he   fu t ur e  act io ns   of  the  e xc ha ng e   rate [ 9].    Me anwhil e,  A naly ti c  Hierar chy  Process  ( AHP)  is   a  m et hod  to  fi nd   a  weig ht  betw een  facto rs.    AHP  m easur es  al l  the  factor s  i nvolv e d  i n  the  decisi on - m aking   pro cess  thr ough  pair wise  com par is on.     The  c om par iso n  is  co nducte d  us in g  a  scal e  of  abs olu te   j ud gem ent  that  repr esents  ho w  vit al   on e  factor   t o  on e  ano t her   an d  it s   al so   been  us e d  by  resea rch e rs  in  m any  fiel ds   a nd  resea rc hes.   [ 10 ]   s how s  an  im ple m entat ion    of   A HP   in   ide ntifyi ng   t he  fa ct or s  as so ci at e d  wit h  obesi ty .   The  res ult  indi cat ed  that  the   facto r  of  Se de ntary  Lifest yl e  (S E D)  co ntribute s   the  highest  weig ht  com pa red  to  Me dic al   Psychia tric   Illness   (ME D)  an d    Gen et ic s  (GEN ).   Ba sed  on  t he   stren gth   of  ANFIS  an d  A HP   repor te d  i n  the  li te ratu r e,  this  pa pe r  pr ese nts  how   ANFIS + A HP   cou l d  help   sya rie  ju dg e   to   est i m at e  fines  am ount  to   the   kha lwat   offe nces  base d  on  fi ve  crit eri a   befor e  tria l  without  interf erin g  of  influ e nce  jud ic ia l  decisi on.  T hese  crit eri a  are  cho s en  be cause  the re  ar e  on ly   five  crit eria  th at   hav e  been   no te d  in  the  c ase  fact  ta bu la te d  by  the  e nfor cem ent  officer  f or   prosec ut ion.   Data  that  has  been   c ol le ct ed   is  a  co m bin at ion   of   diff e re nt  j udge s  base d  on   five  crit eria .  In   c urren t  pract ic e,   so m e  j udges  e stim at e  a  m ea gr e  am ount  of  fines  wh il e  s om e  j udges  put  a  ve ry  high   a m ou nt  of   fines  f or   the  sam e  crit e ria.  I n  the  pr evio us   stu dy  [11],  we  on ly   i m ple m ented  AN F IS   for  the  sam e  case   stud y.   Ther e f or e,  this  pap e r  ai m s to  im pr ov e  pr e vious  wor k by inc orp or at in g ANFIS wit h A HP .   The  rem ai nd er   of   t his  pa per   i s  orga nized  as  fo ll ows:  Sect io n  2  disc us ses  on   t he  ba sic   de finiti on   f or   ANFIS  as  a  m et hod  us ed  f or   est i m ating   f i ne s  am ou t.  Sect ion   3  def i nes  a  si m ple  ste p  f or  AHP.  A  f ram ewor k  for  est i m at ion   fines  am ou nt   us in g  A NFI S+A HP   is  pr esented  i n  Se ct ion   4.   Ex pe rim ental   resu lts  and  discuss i on are   ta bu la te d i n Se ct ion   5  a nd f i na ll y, Sect ion   6 wil l con cl ude t he pape r.       2.   METHO DO L OGY   In  this  pa per ,   75  cases   we re   trai ne d,   a nd  30  cases   we re   te ste d  with  A NF I S  s olu ti on.   The n  A HP  so luti on  is  use d  to  determ ine  the  wei gh t age  an d  finall y  the  AN F IS+ AHP  so l utio n  is  us e d  to  gen e rate    a n e w result.     2.1.   AN F IS  s olu tio n   This  stu dy  us e d  dataset s  fro m   the  Dep art m ent  of   Syari ah  Judic ia ry  Stat e  of   Tere ngga nu   wh ic h  is    an  insti tuti on  that  has  Appeal   Court,  High  C ourt  an d  S ub   Ordina ry  Cour t.  Ob se r vation,   li te ratur e  surv ey   and  intervie w  we re   us e d  to  gath e r  in form at ion   about  the  accu sed  per s on  who  pleade d  guil ty   and   fines  a m ou nt  charge d  to  t ha t  per s on.  I n  t hi s  stud y,  75  da ta set s  cases  s entence d  by  fi nes  wer e  c ollec te d.   Ta ble  1  li sts     the  at trib utes  of  K halw at   data set   wh il e  Ta bl e  2  li sts  the   va lue  of  se x,  m a rita l  sta tus,  loc at ion   t ype  of  a rr est     and   the  ti m e   of   ar rest.  The   figure  of   a ge   and   the  fines   a m ou nt  is  us ed  as  the  valu e  fo r  ag e  and  fine s     at tribu te s  acco rd i ng ly .   Ta ble  3  sho ws  the  ra w  dataset   that  had   bee n  colle ct ed  an d  the  se t  of   data  that  ha s  be e n  conve rted  i nto   value  is  sh own  in  Ta ble  4.       Table  1.   Attrib utes  of   khal wat  off e nces  datas et   Ab b reviatio n   Decsripti o n   Rep resentatio n  of   Fu zzy  V ariables   ag e   Ag e in y e ars   1   sex   Sex  ( m a le; f e m a le)   2   m a rstatu s   Mar ital  statu s (div o rced,  m a rr i ed ,  b achelo r)   3   lo catio n   Locatio n  of   cri m e  (ho tel,  resid en ce,   clo sed  ar ea,  op en  ar ea)   4   ti m e   Ti m e  of  ar rest   Day   (  7 .00  a m   –   7 . 0 0  p m )   Nig h t ( 7 .01  p m   –   1 2 .00  a m )   Ear l y   Morn in g  ( 1 2 .01  a m   –   6 .59  a m )   5   f in es   Fin es a m o u n t         Table  2.   Value  for  s ex , m arit a l st at us , lo c at io n  a nd tim e   v alu e   sex   m a rstatu s   lo catio n   ti m e   1   Fe m ale   Sin g le   Op en  Ar ea   Day   2   Male   Mar ried   Clo sed  Ar ea   Nig h t   3     Div o rced   Res id en ce   Ear l y   Morn in g   4       Ho tel     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Esti ma ti on  of f ines  amo un t i n syaria h  c rimin al o ff en c es  us i ng ad ap ti ve  ne ur o - fuz z y   . ..  ( A hma d  Fit ri M azl am )   5539   Table  3.  Ra w d at aset  f or  kh al wat offe nces   Cas e No   ag e     sex     m ar   statu s     lo catio n     ti m e     1 1 0 0 3 - 143 - 0 0 1 2 - 2 0 1 5   17   f e m a le   b achelo r   resid en ce   early  m o rnin g   1 1 0 0 8 - 143 - 0 0 0 1 - 2 0 1 5   28   m a le   m a r ried   h o tel   n ig h t   1 1 0 0 3 - 143 - 0 0 2 4 - 2 0 1 5   59   m a le   d iv o rced   resid en ce   early  m o rnin g   1 1 0 0 5 - 143 - 0 1 0 7 - 2 0 1 5   37   f e m a le   d iv o rced   resid en ce   early  m o rnin g   …   …   …   …   …   …   1 1 0 0 9 - 143 - 0 0 2 8 - 2 0 1 5   28   f e m a le   d iv o rced   clo sed  ar ea   early  m o rnin g       Table  4.  C onve rted dat a set ac cordin g  t o valu e d e fine d  in  Ta ble 3   Cas e No   ag e     sex     m a r  statu s     lo catio n     ti m e     1 1 0 0 3 - 143 - 0 0 1 2 - 2 0 1 5   17   1   1   3   3   1 1 0 0 8 - 143 - 0 0 0 1 - 2 0 1 5   28   2   2   4   2   1 1 0 0 3 - 143 - 0 0 2 4 - 2 0 1 5   59   2   3   3   3   1 1 0 0 5 - 143 - 0 1 0 7 - 2 0 1 5   37   1   3   3   3   …   …   …   …   …   …   1 1 0 0 9 - 143 - 0 0 2 8 - 2 0 1 5   28   1   3   2   3       Ba sed  on  the  data  colle ct ed  and   AN F IS   pa ram et ers  need ,   ru le s  are  ge ne rated  us i ng   nu m erical   data   introd uced   by  [1 2 ] .  These  ru l es  will   be  us e d   in  the  la ye rs   in  AN F IS.  Table  5  is  a  set   of   data  that  ha s  been  so rte d by age .      2.1.1.   Genera tin g  ru le s using num eri cal dat a   In g e ner at in g  t he rules,   ei ght   ste ps   hav e  to  be  conside red :   Step  1   :   Id e ntify t he n um ber  o f data  c ollec te d,     =  75   Step  2   :   Id e ntify t he n um ber  o f  at tri bute s,    = 6   (ag e , se x,  m arstat us , l ocati on, tim e, f ines)   Step  3   :   Ca lc ulate  the total n um ber  of  ru le s,   =   =  75 6   =  12   Step  4   :   Data are  sorted  acco rd i ng to  a ge  as  sho wn in   Table   4.   Step  5   :   The  m axi m u m  v al ue  is  ide ntif ie d   f or each  va riable   Step  6   :   The fuzzy  num ber s  in Ta ble  4 f or m s the an te ceden ts  and c onse qu e nt  par ts  of the  ru le .   Step  7   :   Rule 1   is f ram e d   as     If   ( 1   is 1 7) or  ( 2   is fem al e) o r ( 3   is bac helo r) or  ( 4   is h otel)  or ( 5   is early m or ning)  then    is  2.7.   Step  8   :   To  fr am e  the  nex t  r ule ,  the   nex t  6  data  are  ta ken   an d  the  4 th   and   5 th   ste ps   are  rep eat ed   a nd   gen e rated  rule  1  a re show n   in   Table  5.       Table  5.   First f ram e o f  data  to  g e ner at e  ru le   1   Cas e No   ag e     sex     m ar   statu s     lo catio n     ti m e     f in es      1 1 0 0 9 - 143 - 0 0 1 6 - 2 0 1 5   15   1   1   3   3   2 .0   1 1 0 0 4 - 143 - 0 1 2 0 - 2 0 1 4   15   1   1   3   3   2 .6   1 1 0 0 3 - 143 - 0 0 1 2 - 2 0 1 5   17   1   1   3   3   2 .3   1 1 0 0 6 - 143 - 0 0 7 2 - 2 0 1 5   17   1   1   4   2   2 .5   1 1 0 0 6 - 143 - 0 0 7 3 - 2 0 1 5   17   1   1   4   2   2 .5   1 1 0 0 5 - 143 - 0 1 4 1 - 2 0 1 5   17   1   1   4   2   2 .7   Maxi m u m  valu es f o r  f u zzy   v ariables   Ru le 1   17   1   1   4   3   2 .7       2.1.2.   Predi cting  out put   vari abl e u sing  li ne ar  eq ua ti on   Ba sed on 1 2 rul es f ram ed  earl ie r,   ou t pu t  var i able,    f or  eac h ru le  e quat ion i s the n  pre dicte d  f or li ne a r   equ at io n  a s fol low:     = 1 1 + 2 2 + 3 3 + 4 4 + 5 5 +   (1)     w hile  par am et e r    is p red ic te d  us in g  t he  li nea r  e qu at io n usi ng the  for m ula intr oduce d by [ 1 2 ]  as  foll ow:       =   ( ) ( ) +   ( ) ( )  ( ) (  .    )   (2)     wh e re  j   =  1,2,3 ,4 , 5  a nd  i   =  1,2 ,3 … 11, 12.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber  2 01 9  :   5537  -   5544   5540   The  pre dicte d  fu zzy   val ues  a nd   ge ner at e d  r ules  are  us ed  i n  A NFIS  m et ho d  t o  est i m at e  fines  am ou nt  are  pr ese nted  in  Ta ble  6.   For  exam ple:   Rule  1:  If   ( 1   is  young)  or  ( 2   is  fem al e)  or   ( 3   is  bach el or)  or  ( 4   is  hote l)  or   ( 5   is  earlym or n in g)  then    is  high,  1 = 1 1 1 + 1 2 2 + 1 3 3 + 1 4 4 + 1 5 5 + 1 .       =   ( ) ( ) +   ( ) ( )  ( ) (  .    ) =   2 . 4 17 + 2 . 4 16 ( 2 . 4 ) ( 5 ) = 0 . 02   (3)       Table  6.   Pr e dic te d  f uzzy  value s for     f or Rule  1     ag e   1   sex   2   m a r  statu s   3   lo catio n   4   ti m e   5    ( )   2 .4    ( )   17   1   1   4   3    ( )   16   1   1   4   3   n o .  o f  attr ib u tes   5      ( )  ( ) +    ( )  ( )  ( ) (  .    )   1 1   1 2   1 3   1 4   1 5   0 .02   0 .40   0 .40   0 .11   0 .15         F or   al l  r ules  a r e  cal culat ed   usi ng  li near  eq ua ti on  w it h  the val ue  f or  eac h  r ule  f ram ed.   F or  e xam ple,  1   is cal culat ed  as  foll ow s:     1 = 1 − 1 1 1 + 1 2 2 + 1 3 3 + 1 4 4 + 1 5 5     1 = 2 . 7 − ( ( 0 . 02 ) ( 17 ) + ( 0 . 40 ) ( 1 ) + ( 0 . 40 ) ( 1 ) + ( 0 . 11 ) ( 4 ) + ( 0 . 15 ) ( 3 ) )   (4)   1 = 0 . 67       The    val ues for  Rule  1  to  Rule  12 a re  pr ese nt ed  in  Ta ble 7.       Table  7.   Pr e dic te d  f uzzy  value  for   ,     1   2   3   4   5     Ru le 1   0 .02   0 .4   0 .4   0 .11   0 .15   0 .67   Ru le   2   0 .02   0 .23   0 .4   0 .13   0 .15   0 .51   Ru le 3   0 .02   0 .21   0 .4   0 .11   0 .14   0 .72   Ru le 4   0 .02   0 .27   0 .22   0 .13   0 .17   0 .33   Ru le 5   0 .02   0 .25   0 .2   0 .1   0 .15   0 .59   Ru le 6   0 .02   0 .2   0 .4   0 .11   0 .14   0 .82   Ru le 7   0 .01   0 .22   0 .17   0 .11   0 .15   0 .88   Ru le 8   0 .01   0 .22   0 .15   0 .11   0 .17   0 .85   Ru le 9   0 .01   0 .23   0 .17   0 .11   0 .14   0 .84   Ru le 10   0 .01   0 .25   0 .14   0 .13   0 .15   0 .89   Ru le 11   0 .01   0 .22   0 .15   0 .11   0 .14   0 .68   Ru le 12   0 .01   0 .22   0 .14   0 .11   0 .13   0 .72       2.2.   A HP   so lu tio n   In   the  stu dy,  fi ve  crit eria  invo lved  to  est im a t e  the  fines  am o un t.  Howe ver,  j ud ges  al so   ha ve  dif fer e nt   thoughts  reg a r ding  w hic h  do m ai n  factor   c ontrib ute  to  t he   order.  T his  si tuati on   pro ved  in  [ 11 ]   wh e re   so m e   cases  that  hav e   the  sa m e  values  sh ow  di ff e re nt  fines  am ou nt   con cer ning  a d iffe re nt  j ud ge .  The  di ff e ren c e  will   aff ect   the  trai ni ng   d at a  and   t he   final  res ult  at   on ce.  A  sur ve y  had   bee n  c onduct ed  to  find   t he  weig ht  of   eac h  crit erion  usi ng   A HP   t o  e ns ur e  the  c onsist en cy   of  the  res ults.   Tw o  se ct io ns   wer e   sur ve ye d  w hich   is  f irst  to  identify   the  e xperie nce  of  j ud ges  in  ha nd li ng  the  khal wat  ca ses  an d  the   s econd  one  is  to   cal culat e  the  dom ai n   factor o f  eac h crit erion de fine d by the  judges .               Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Esti ma ti on  of f ines  amo un t i n syaria h  c rimin al o ff en c es  us i ng ad ap ti ve  ne ur o - fuz z y   . ..  ( A hma d  Fit ri M azl am )   5541   2.2.1.   Findi ng w ei ghtage  ju d ge  e xper ie nce   Ba sed on t he s urvey c ollec te d,  h e re a re the  e xp e rience  of ea ch jud ge  as  pre sent in  Tab le  8.       Table  8.  J udge   ye ars  of   e xperi ence   Ju d g e Na m e   Exp erience ( y ea rs)   Ju d g e A   15   Ju d g e B   20   Ju d g e C   4   Ju d g e D   2       Step  1: S um  all th e ye ars  of e xperie nce,      = 20 +  15 +  4 + 2  =  41     (5)     Step  2: Find t he  experie nce  w ei gh ta ge  b y  di vid in g  eac h ex per ie nce  by  Y     Ex per ie nc e  We igh ta ge ,  . n =   (6)     Fo r  e xam ple, Ju dge  A Ex per i ence  Weig htag e,  . A =       . A = 15 41 = 0 . 37     (7)     The wei ghta ge  of all  ju dg e  experie nce a re ta bu la te d i n Tabl e 9 .       Table  9.  J udge   exp e rience  w ei gh ta ge   Ju d g e Na m e   W eig h tag e   Ju d g e A   0 .37   Ju d g e B   0 .49   Ju d g e C   0 .10   Ju d g e D   0 .05       2.2.2.   Findi ng w ei ghtage cri te ri a   Step  1: Com par e the  f act or s.   10 p ai r - wise c om par isons  we re  qu est io ne d  t o four j udge s i n  the  stu dy are a.   a.   Ag e  co m par e d wit h  Se x   b.   Ag e  co m par e d wit h  Ma rita l St at us   c.   Ag e  co m par e d wit h  Tim e o f Ar rest   d.   Ag e  co m par e d wit h  L ocati on  of Arrest   e.   Sex  c om par ed   with Marit al  St at us   f.   Sex  c om par ed   with Tim e o f Ar rest   g.   Sex  c om par ed   with L ocati on  of Arrest   h.   Ma rita l Sta tus  com par ed wit h Ti m e o f  A rr es t   i.   Ma rita l Sta tus  com par ed wit h Locat io n of A rr est   j.   Ti m e o f A r rest  co m par ed  w it h  L ocati on  of  Arrest   Step 2 : The d e gr ee o f  scal e by  the f our  judg es w as colle ct ed  an d  the r es ult i s co m plete d  in the  m at rix  fo r  eac h  j ud ge.   Table  10 s hows  an exa m ple o f  pair - w ise  co m par iso n by  j ud ge A.       Table  10. P ai r - wise c om par ison res ult by  ju dg e   A   Facto r   Ag e   Sex   Mar ital   Statu s   Ti m e  of   Arr est   Locatio n  of   Arr est   Ag e   1 .00   8 .00   0 .13   0 .14   0 .17   Sex   0 .13   1 .00   0 .17   0 .17   0 .17   Mar ital  Status   8 .00   6 .00   1 .00   0 .33   6 .00   Ti m e  of  Ar rest   7 .00   6 .00   3 .00   1 .00   7 .00   Locatio n  of  Ar rest   6 .00   6 .00   0 .17   0 .14   1 .00   Total   2 2 .13   2 7 .00   4 .46   1 .79   1 4 .33       Step  3:   Norm a li zed  the  pair - wise  com par is on   for  eac h  ju dg e .  As  sho wn  in  Table  11,  t he  norm al iz ed  values   are  pr ese nted  a s prio rity  v ect or  of  c rite ria  by  al l t he  ju dg es .     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber  2 01 9  :   5537  -   5544   5542   Table   11. Prio r it y vector of cr it eria by all  judges     Ju d g e A   Ju d g e B   Ju d g e C   Ju d g e D   Priority  Vector  or  W eig h t   Priority  Vector  or  W eig h t   Priority  Vector  or  W eig h t   Priority  Vector  or  W eig h t   Ag e   0 .09   0 .26   0 .08   0 .07   Sex   0 .04   0 .03   0 .03   0 .03   Mar ital  Status   0 .28   0 .31   0 .56   0 .54   Ti m e  of  Ar rest   0 .45   0 .17   0 .20   0 .21   Locatio n  of  Ar rest   0 .14   0 .23   0 .13   0 .15       2.2.3.   Findi ng w ei ghtage cri te ri a  i n consider at io n wi th   ju d ge  e xp eri ence   Step  1: Multi pl y ea ch fact or we igh ta ge  w it h j udge  e xperie nc e w ei ghta ge .   Step  2: T otal t he  resu lt   for  ea ch fact or to  get  the  final  weig htage. T h e r esu lt s ar e s how n  i n  Fi gure   1.           Figure  1 .  Resul t of final c rite ri a w ei ghta ge       2.3.   AN F IS e nh ance d wi th   A HP   s olu tion   Ba sed  on  ( 4 ) ,   ou t pu t   va riable ,    f or  eac h  r ule  eq uatio n  is   t hen  pr e dicte d  again   f or  li nea r  e quat ion  enh a nce d wit h AHP  weig htag e res ult as in   ( 5 )   a nd  ( 6 ) . T he r esults are  the n show n  in  Ta ble 1 2 .     = 1 1 1 + 2 2 2 + 3 3 3 + 4 4 4 + 5 5 5 +   (8)     1 = 1 − 1 1 1 + 2 2 2 + 3 3 3 + 4 4 4 + 5 5 5     1 = 2 . 7 − ( ( 0 . 02 ) ( 0 . 194 ) ( 17 ) + ( 0 . 40 ) ( 0 . 029 ) ( 1 ) + ( 0 . 40 ) ( 0 . 338 ) ( 1 ) + ( 0 . 11 ) ( 0 . 196 ) ( 4 ) + ( 0 . 15 ) ( 0 . 252 ) ( 3 ) )     1  = 2 . 29   (9)       Table  1 2 .  P red i ct ed  f uzzy  valu e f or   , (  )     1   2   3   4   5     (  )   Ru le 1   0 .02   0 .4   0 .4   0 .11   0 .15   0 .67   2 .29   Ru le 2   0 .02   0 .23   0 .4   0 .13   0 .15   0 .51   2 .27   Ru le 3   0 .02   0 .21   0 .4   0 .11   0 .14   0 .72   2 .38   Ru le 4   0 .02   0 .27   0 .22   0 .13   0 .17   0 .33   2 .45   Ru le 5   0 .02   0 .25   0 .2   0 .1   0 .15   0 .59   2 .50   Ru le 6   0 .02   0 .2   0 .4   0 .11   0 .14   0 .82   2 .56   Ru le 7   0 .01   0 .22   0 .17   0 .11   0 .15   0 .88   2 .56   Ru le 8   0 .01   0 .22   0 .15   0 .11   0 .17   0 .85   2 .56   Ru le 9   0 .01   0 .23   0 .17   0 .11   0 .14   0 .84   2 .56   Ru le 10   0 .01   0 .25   0 .14   0 .13   0 .15   0 .89   2 .59   Ru le 11   0 .01   0 .22   0 .15   0 .11   0 .14   0 .68   2 .37   Ru le 12   0 .01   0 .22   0 .14   0 .11   0 .13   0 .72   2 .55       3.   RESU LT S   A ND  DI SCUS S ION S   In   this  pa pe r,   75   cases  wer e   trai ned ,  a nd   30   cases  wer e   te ste d  with  ANFIS   a nd   A NF I S+A HP.     The  cases  in  Table  1 3   a re  com par ed  beca us e  of  the  sam e  value  for  se x,   m arit al  sta t us ,  tim e  of   arre st  and   locat ion   of  a rrest   crit eria.  Howev e r,  the  val ue  of  age   is  di f fer e nt.  T he  res ult  sho ws  that  the  hum an  judgem ent  is  incon sist ent  wh e re  the  fine s  a m ou nt  for  a   25 - ye a r - old   m an  is  lower   tha n  a  23 - ye ar - ol d  m an  with  the   sa m e   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Esti ma ti on  of f ines  amo un t i n syaria h  c rimin al o ff en c es  us i ng ad ap ti ve  ne ur o - fuz z y   . ..  ( A hma d  Fit ri M azl am )   5543   value  f or   t he  ot her   crit eria.  T he  age  diff e rence   is  on ly   two  ye ars,   an d  it   is   qu it e  co nfusing.  By   us in g  A NFI S ,   the  ga p  of  fine s  am ou nt  is  s m al le r  wh e re  ANFIS + A HP   sh ows   a  ver y  consi ste nt  re sul t  fo r   the   ra ng e  of  a ge   unde r 35 y ears  old .       Table  1 3 . Res ul t com par ison  betwee n hu m an jud gem ent, A N FI S  and  A NF I S+A HP   Cas e No   Ag e   Hu m an   Ju d g e m en t   ANFIS     ANFI S+AH P   1 1 0 0 3 - 143 - 0 0 0 5 - 2 0 1 6   23   2 .9   2 .7   2 .8   1 1 0 0 4 - 143 - 0 0 8 0 - 2 0 1 6   24   2 .9   2 .8   2 .8   1 1 0 0 5 - 143 - 0 0 2 9 - 2 0 1 6   25   2 .7   2 .7   2 .8   1 1 0 0 3 - 143 - 0 0 3 4 - 2 0 1 5   31   2 .9   2 .8   2 .8   1 1 0 0 5 - 143 - 0 0 4 7 - 2 0 1 6   32   2 .7   2 .8   2 .8       ANFIS + A HP   has  processe d  the  eq uatio n  a nd   present  th e   resu lt   in  it s  r ang e .  A s  an  e xam ple,  fo r     the  sam e  value  of   oth e r  crit eria  (se x=f em al e,  m ari ta l  st at us =si ngle ,  lo cat ion   of   a rr es t= op e n  area ,  ti m e  of  arr est  =  d ay )  a nd only   age  is  diff e re nt, here   Table  14   is t he  r a ng e  for fine s  am ou nt.       Table  1 4 . F i ne s am ou nt r a nge  b ase d o n  ra ng e of a ge   Ran g e of  Age   Fin es A m o u n t us in g   ANFIS+ AHP   0  -   16   2 .6   17  -   51   2 .7   52  -   85   2 .8   8 6  and   ab o v e   2 .9       4.   CONCL US I O N     This  pa per  pr opos e d  A NF I S+A HP   t o  es tim a te   fines   a m ou nt   base d  on  pr e vi ou s   ju dg m ents.     75  dataset s  we re  us ed   f or  tra ining,  a nd  30   dataset s  we re  us e d  f or  te sti ng.  The   est im a t ion   c onside re d  five   inputs  an d  one   sing le   outp ut  base d  on  case  fact  from   the  Syari ah  crim inal  file s  in  the  stud ie d  de par t m ent.     The  resu lt   of   t he  propose d  m et hod  has  pro v en  that  A NF I S +AHP  is  a n  ef f ic ie nt  way  to  e stim at e  the  fines  an d  helps  the  judge  m ake a  pr el im inary  j ud gm ent  at o nce .       ACKN OWLE DGE MENTS     The  a utho rs  w ou l d  li ke   to   tha nk  the   De pa rtm ent  of  Syari a h  J udic ia ry  Sta te   of  Te reng ga nu  es pecial ly  Y.A  T n  H j   Ka m al ru azm i  bin   Ism ail,  the  Syari ah  Highco ur t  Ju dge  f or  the ir  act ive  co op e rati on   a nd  the  data   pro vid e d.       REFERE NCE S     [1]   S.  D.  Jam es,   et   al. ,  “ Multi pl e  Crit eria  Dec ision  Making,   Mult ia tt r ibute  Util i t y  The or y :  Th e  Next  Te n  Ye ars, ”   Manage ment  S cienc e ,  v o l. 38, pp .   645 - 654 ,  1992 .   [2]   W .   J y rki ,   et   a l. ,  “ Multi ple   Cr it er ia   De ci sion  Mak ing,   Mul ti a tt ribu te   Uti li t y   Th eor y :   Re ce nt   Acc o m pli shm ent s  and   W hat   Lies Ahead ,”   Journal  Man ageme nt  S cienc e ,  v ol .   54 ,   pp .   133 6 - 1349 ,  2008 .   [3]   T.   Faisal,  e t  al. ,   “ Adapti ve  Neur o - Fuzz y   Inf ere n ce   S y st em  for  di agnosis  risk  in  dengue   patien ts ,”   Ex pert  Syst ems  wit h  App licati on s ,   vol.  39,   pp.   44 83 - 4495 ,  2012 .   [4]   R.   Appiah,  “ Impl ementation  of   ada pt ive   n eur o   fuz z y   inf ere n ce  s y stem  for  m alari a  d ia gnosis ,”   A  ca se  s tud y   a t  Kw esimintsim   P ol y cl in ic ,   PhD   di ss . ,   2016.   [5]   R.   Nohria  and   P.   S.  Mann,   “ Diagnosis  of  H y per t ension  Us ing  Adapti ve  Neuro - Fuzz y   In fer ence  S y st em, ”   Inte rnational   Jo urnal  of  Comput er  Scienc e  and   Technol og y ,   v ol .   6,   pp .   36 - 40 ,  20 15 .   [6]   M.   A.  Abus har iah,  et  al . ,   “ Auto m at ic   he art  dise ase   dia gnosis  s ystem  base d  on  ar ti ficia l  neur al   n e twork  (AN N)  and  ada pt ive   neu ro - f uzzy   inf er en ce   s y stems   (AN FIS )   appr oac h es ,”   J ournal  of  softwa re  engi ne ering  a nd  appli ca ti ons ,  vol.   7 ,   p p.   1055 ,  2014 .    [7]   N.  Ziasabounc hi   and  I.  As ker za d e,   “ AN FIS   base d  cl assifi cation  m od el   for  hear t  disea se  pr edi c ti o n ,”   In te rnationa l   Journal  of   Elec t rical   &   Compute r Sc ie n ce s I JE C S - IJE NS ,  vol .   14 ,   pp .   7 - 12 ,  2014 .   [8]   D .   Bohra   and  S.   Bhat ia,  “ Portfol io  ret urn  m odell ing  using  AN FI S ,”   Inte rnat iona l  Journal  of  Eng ine ering ,  vol.   1 ,   pp.   1 - 4 ,  2012 .   [9]   M.   A.  Bo y a ci og l u  and  D .   Avc i,  “ An  ada pt ive  netw ork - base d  fuz z y   infe r ence  s y s tem   (AN FI S)  for  t he  pre d ic t ion  of   stock  m ark et  re turn:   th e  c ase   of  the   Ist anbul  stock  ex cha ng e ,”   Ex p ert  S yste ms   wit h  App licati ons ,  vol.  37 ,     pp. 7908 - 7912 ,  2 010 .    Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  9 , N o.   6 ,  Dece m ber  2 01 9  :   5537  -   5544   5544   [10]   L.   Abdull ah  an d  F.  N.   Azm an,  “ W ei ghts  of  obesity   fa ct ors  u s ing  anal y tic  hi er arc h y   pro ce ss ,”   Int.   J.   Re s.  Rev.    App.   S ci ,  vol .   7 ,   pp.   57 - 83 ,  2011 .    [11]   A.   F.  Maz la m ,   et   al . ,  “ Esti m at i on  of  Fines  Am ount  in  S y ar ia h  Criminal   Offen c es  Us ing  Adaptive  Neuro - Fuzz y  Infe ren c e  S y ste m   (A NF IS) ,”   Journal  of  Tele co mm unic ati on,   E l ec troni c  and  Computer  Engi nee r ing  ( JTEC ) ,  vol.   9,   pp.   153 - 156 ,  20 17 .   [12]   A.   S.  Kum ar,  “ Gene rating  r ule s  for  adva n ce d  fu zzy   reso lut ion  m e cha nis m   to  dia gnosis   hea r t  dis ea se ,”     Inte rnational   Jo urnal  of  Comput er  Applications ,  vol.   77 ,   2013 .       BIOGR AP H I ES   OF  A UTH ORS           Ah mad  Fi tri   Maz lam   is  an   I CT  Offic er  in  I nstit ut  Pendidi k an  Guru  Kam pu s  Dato’   Raz ali   Ism ai l  and  a  Pos t - Gradua te  St udent   a t  School   of  Inform at i cs  and  Appli ed  Mathe m at i cs,   Univer siti   Mal a y sia  T ere ngg anu .   He  obta in ed  Bac he lor  Degre e  in  Scie nc e  (Com pute r)  from  Univer siti   Te kn ologi   Ma l a y sia   in  2005.   His  re sea rch es  are  in   fields  of  De cis ion  Support  S y stem,  Art ifi c i al   In te l li gen ce  a nd  Artificial  Ne ura l  Ne twork.   R ec en tly ,   s y st em’s   appl i ca t ion   on  s y ar ia h  judi c i ar y   dep art m ent   h as  bee n  tackle d   and  his  ar ti c le   h as  bee n  pub li she d  in  JTEC  in  20 17.   Besid es,   he  is  al so  invo l ved  in   NG Os ,   student   associati ons,  and  m an ag ing  non - profi t   founda ti on .         Wan  Nu ral   Jaw ahir  Hj  Wan  Y us sof   rec ei ved  h er  B. IT  in  Softw are   Engi n ee r ing  and  M.Sc.   in  Artifi c ia l   Intelligence  from   Kolej   Univ ersiti   Sains  dan   Teknolo gi  Mal a y s ia .   In  2014 ,     she  obta ine d  her   Ph.D.  from   Univer siti   Mal a y s ia   Te ren gg anu.   She   is  cur ren tly   a  se nior  le c ture r  at   School   of  I nform at ic s  and   Applie d  Ma th emati cs,   Univer siti   Mal a y s ia   Te ren gg anu.    Her  rese arc h   intere sts a r e in  2D/ 3D i m age   ana l y s is a nd  und erwa t e r  vide o   proc essing.         Rab ie i  Mam at   recei v ed   his  M.Sc.   d egr ee  i n  High  Perform anc e   S y st em  fr om   Univer si t y   Coll ege   of  Science   and  Techno log y   Mal a y s ia   ( KU STEM)  in  2 004  and  get ti ng   his  P h. D.  i n   Inform at ion  T echnolog y   from   th e  Univer si ti   Tun   Hus sein  Onn  ( UTHM )  in  2014 .   Curre n tly   h e   is  a  le c ture r  i n  School  of  Inform at ic s  and   Applie d  Math emati cs,   Univ er siti   Malay si a  Te ren gg anu  (U MT).     His  teac hi ng  topi cs   in cl ud es  W eb  and  Mobile   Appl ic a ti on   Deve lopment   and  Program m ing.   His   r ese ar ch  i nte rests  inc lud e S oft  Com puti ng  and  Dat a  Min ing .       Evaluation Warning : The document was created with Spire.PDF for Python.