RANCANGAN PEMBELAJARAN BERBASIS STUDENT CENTERED LEARNING

Kode matakuliah Mata kuliah Semester, SKS : TIFS 3415 : LOGIKA FUZZY : VI/ 3

Penyusun :

Dr. Ir. Amir Hamzah, M.T.

JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI INSTITUT SAINS & TEKNOLOGI AKPRIND YOGYAKARTA 2011

Kompetensi : Mahasiswa memiliki gambaran tentang konsep-konsep himpunan fuzzy. Yan Jun.RANCANGAN PEMBELAJARAN BERBASIS STUDENT CENTERED LEARNING Mata Kuliah Kode Mata Kuliah Semester SKS Program Studi Jenjang Prasyarat 1. Thosiro. Fuzzy Set Theory an Its Applications. 4. Timothy J. FIS). 2. operator-operator fuzzy. dan Hartati. New York: Prentice-Hall 4. Logika Fuzzy untuk Pendukung Keputusan. Fuzzy Systems Theory and Its Applications. 2005. Sri. 3. operasi himpunan fuzzy. Using Fuzzy Logic (Toward Intelligent Systems). 2006. Edisi ke-2. Himpunan fuzzy. Graha Ilmu. Yogyakarta. Kusumadewi. Sri. 1992. 5. Sri. Graha Ilmu. Fuzzy Multi-Attribute Decision Making. 3. Tujuan : Logika Fuzzy : TIFS 3415 : VI (enam) : 3 (tiga) : Teknik Informatika : Sarjana :- : memberikan wawasan kepada mahasiswa tentang konsep-konsep penting dalam logika fuzzy. dan bidang pengambilan keputusan. Massachusetts: Kluwer Academic Publishers. London: Academic Press 2. Penerapan pada berbagai aplikasi : fuzzy basis data. 2002. Michael dan James Power. Yogyakarta 6. perbedaan dengan logika tegas (crisp). Zimmermann. dan Purnomo. bidang basis data. dan pengambilan keputusan (Fuzzy Multi Atribute Decision Making (FMADM). Sistem inferensi fuzzy (Fuzzy Inference System. Inggris. . Kepustakaan: 1. dan Michio Sugeno. inferensi fuzzy dan penerapannya dalam berbagai bidang bidang teknik informatika. Materi : Pengantar. Fuzzy Logic with Engineering Applications. Kusumadewi. Analisis & DesainSistem Fuzzy Menggunakan Toolbox MATLAB. 1994. Hari. Yogyakarta. Terano. fungsi keanggotaan. John Wiley & Sons Inc. Graha Ilmu. 2004. Edisi-2. 7. fuzzy clustering. Sri. 1991. Kiyoji Asai. Kusumadewi. Ross. penalaran fuzzy dan mampu menerapkan dalam bidang informatika seperti Aplikasi pada bidang teknik informatika antara lain pada clustering data.

Prosedur ijin tidak mengikuti kuliah ditetapkan oleh BAA 3. kemudian nilai akhir (NA) ditentukan berdasarkan formula nilai akhir dan dikonversikan ke nilai huruf dengan ketentuan sbb : Kisaran Nilai Angka (NA) 0. Ujian Tengah Semester (UTS) : 20% 3.00 60. Ujian AKhir Semester (UAS) : 20% 4. atau jika terpaksa setelah kuliah . Ketentuan dan Tata Tertib kuliah tatap muka 1.5.00 40. utamanya ujian akhir semester (UAS) 2.00 < NA < 20.00 Nilai Huruf (NH) E D C B A 6.00 < NA < 100. Pertanyaan yang muncul dari proses membaca bahan kuliah dan jawaban yang muncul dari sesama teman yang sudah memahami akan memberi kontribusi pada nilai tugas 6. lebih dari 20 menit tidak diiijinkan masuk kelas (kecuali dapat menjelaskan tentang sesuatu topik masalah di depan kelas. presentasi : 50% Norma Penilaian : Semua penilaian dalam bentuk angka 0. Keterlambatan kehadiran kuliah : maksimal 20 menit (atau sesuai kesepakatan). Mahasiswa diijinkan tidak mengikuti kuliah maksimal 4 kali 2. Ijin tidak mengikuti kuliah dibauat sebelum kuliah. Hal-hal lain yang belum dituliskan akan ditetapkan pada tatap muka pertama kali 7. Mahasiswa wajib mendownload semua meteri kuliah dan membacanya sesuai skedul 5.00 < NA < 80. Tugas-tugas. diskusi. Evaluasi : Rumus Evaluasi adalah : NA = 10% Pres + 20% UTS + 20% UAS + 50% Tugas 1. Selama kuliah seluruh alat komunikasi. Presensi (kehadiran kuliah) : 10% 2. HP dan alat lain dimatikan 4. Kehadiran kuliah minimal 75% untuk dapat mengikuti ujiaan.00. maka paling lambat satu mingghu setelah tatap muka yang bersangkutan LINK-LINK PUSTAKA / BAHAN KULIAH : .00 80.00 sampai 100.00 < NA < 40. atau menjawab suatu pertanyaan dosen) 3. Ijin Tidak mengikuti Kuliah 1.00 20.00 < NA < 60.

akprind.http://elearning.dosen.ac.id/logika-fuzzy/ .ac.id/moodle/course/ view. http://amir.php?id=351 1.akprind. 2.

.

• . pustaka dan bobot evaluasi : 1 No 1 2 Kompetensi yang diharapkan Mengetahui dan memahami konsep dasar logika fuzzy.3.5%) Kuliah . • Aplikasi logika fuzzy.4 Tugas 1 (12.2. diskusi 1.Materi Tiap tatap muka. Mampu mengenal konsep dasar himpunan fuzzy dan himpunan crisp beserta terminologinya 3 Pokok Bahasan Pendahuluan Materi • Definisi logika fuzzy.himpunan fuzzy vs himpunan crisp • Variabel fuzzy. diskusi 1. Penalaran monoton FIS: Metode Tsukamoto FIS: Metode Sugeno 4 5 Bentuk Pembelajaran Kuliah .4 3 Mengetahui dan memahami cara mencari nilai keanggotaan dengan pendekatan fungsi.2.2. • sistem fuzzy.4 5 Sistem Inferensi Kuliah . • Domain.4 .2. • Tinggi himpunan fuzzy.3.4 7 Evaluasi (Bobot) 2 himpunan fuzzy Kuliah. Mampu mengenal macam-mcama fungsi keanggotaan Fungs keanggotaan 4 Mengetahui dan memahami konsep dasar relasi himpunan fuzzy Mampu mengenal operato-operator pada himpunan fuzzy Mengetahui dan memahami konsep dasar sistem inferensi fuzzy dan aplikasinya.2.3.3. Memahami definisi logika fuzzy dan aplikasinya Mengetahui dan memahami konsep dasar himpunan fuzzy.3. Mampu mengenal dan Operator-operator fungsi Kuliah . diskusi 1. diskusi 6 Pustaka 1. • Operator-operator pengganti. • Semseta pembicaraan • Support set • α -cut set Fungsi keanggotaan : Linear (naik/turun) Segitiga Sigmoid (S & Z) Gauss Beta Diskret • Operator-operator dasar Zadeh. diskusi 1.

3.3. Mampu mengenal dan merepresentasikan penyelesaian masalah FMADM dengan metode-metode MADM Penyelesaian masalah FMADM dengan metode-metode MADM klasik Fuzzy clustering : Hierarchical Basisdata fuzzy Basisdata fuzzy model Tahani. diskusi 1.2.4 Tugas 2 (12.5%) Kuliah .2.membangun sistem inferensi fuzzy dengan metode Tsukamoto & Sugeno 6 Mampu mengenal dan membangun sistem inferensi fuzzy dengan metode Mamdani 7 Mengetahui dan memahami konsep dasar fuzzy clustering.4 20% Tugas 3 (12. diskusi 1. diskusi 1.3.5%) Ukuran-ukuran fuzzy. diskusi 1.4 UJIAN TENGAH SEMESTER (UTS) 8 Mampu mengenal dan merepresentasikan fuzzy clustering dengan metode Hierarchical : agglomerative dan additive 9 Mengetahui konsep dasar dan aplikasi basisdata fuzzy. Mampu mengenal dan merepresentasikan struktur & implementasi basisdata fuzzy 10 Mengetahui dan memahami konsep dasar dan aplikasi Fuzzy Multi-Attribute Decision Making(FMADM).2.5 .3. diskusi 12. Basisdata fuzzy model Umano Metode Simple Additive Weighting (SAW) Metode Weighted Product (WP) Metode pengembangan Kuliah . Mampu mengenal dan merepresentasikan fuzzy clustering dengan metode FCM Fuzzy (FIS) Sistem Inferensi Fuzzy (FIS) Fuzzy Clustering FIS: Metode Mamdani Kuliah . Fuzzy C-Mean (FCM) Kuliah .4 • Metode aglomeratif • Metode Additive Kuliah .2.3.

agregasi. dan I-IOWA. IOWA. diskusi Kuliah .3.5 12 13 FMADM : Mampu mengenal dan merepresentasikan fungsi-fungsi agregasi FMADM FMADM : Mampu mengenal dan merepresentasikan metode-metode penyelesaian masalah FMADM pada group decision making(GDM) Fungsi-fungsi agregasi pada FMADM Penyelesaian masalah FMADM pada group decision making (GDM Kuliah . dan perankingan pada penyelesaian masalah FMADM untuk GDM. • C-IOWA.5%) 12. • Algoritma genetika untuk penentuan bobot atribut.5 Tugas 4 (12.3. diskusi 12.11 FMADM : Mampu mengenal dan merepresentasikan bentuk-bentuk relasi preferensi fuzzy Relasi preferensi fuzzy Vektor terurut Vektor utilitas Bentuk linguistik Himpunan bagian terseleksi Himpunan bagian fuzzy Terseleksi • Operator OWA.3. • Format preferensi.5 14 PRESENTASI TUGAS KELOMPOK UJIAN AKHIR SEMESTER (UAS) 20% . diskusi 12. Kuliah .

Sign up to vote on this title
UsefulNot useful