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

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

Presensi (kehadiran kuliah) : 10% 2. Ijin tidak mengikuti kuliah dibauat sebelum kuliah.00 20. presentasi : 50% Norma Penilaian : Semua penilaian dalam bentuk angka 0.00.00 < NA < 100. atau jika terpaksa setelah kuliah .00 40. Prosedur ijin tidak mengikuti kuliah ditetapkan oleh BAA 3.00 Nilai Huruf (NH) E D C B A 6. utamanya ujian akhir semester (UAS) 2. Ijin Tidak mengikuti Kuliah 1.00 < NA < 60. Tugas-tugas. 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. HP dan alat lain dimatikan 4.00 80.00 < NA < 40. Mahasiswa wajib mendownload semua meteri kuliah dan membacanya sesuai skedul 5. maka paling lambat satu mingghu setelah tatap muka yang bersangkutan LINK-LINK PUSTAKA / BAHAN KULIAH : . 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. Evaluasi : Rumus Evaluasi adalah : NA = 10% Pres + 20% UTS + 20% UAS + 50% Tugas 1. diskusi. Kehadiran kuliah minimal 75% untuk dapat mengikuti ujiaan.5. Keterlambatan kehadiran kuliah : maksimal 20 menit (atau sesuai kesepakatan). lebih dari 20 menit tidak diiijinkan masuk kelas (kecuali dapat menjelaskan tentang sesuatu topik masalah di depan kelas.00 < NA < 20. Selama kuliah seluruh alat komunikasi.00 < NA < 80. Hal-hal lain yang belum dituliskan akan ditetapkan pada tatap muka pertama kali 7. Ujian AKhir Semester (UAS) : 20% 4.00 60. Ketentuan dan Tata Tertib kuliah tatap muka 1. Mahasiswa diijinkan tidak mengikuti kuliah maksimal 4 kali 2. atau menjawab suatu pertanyaan dosen) 3.00 sampai 100.

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

.

Penalaran monoton FIS: Metode Tsukamoto FIS: Metode Sugeno 4 5 Bentuk Pembelajaran Kuliah .2.3.3.3.4 7 Evaluasi (Bobot) 2 himpunan fuzzy Kuliah. • . • Semseta pembicaraan • Support set • α -cut set Fungsi keanggotaan : Linear (naik/turun) Segitiga Sigmoid (S & Z) Gauss Beta Diskret • Operator-operator dasar Zadeh.2. diskusi 1.3. • sistem fuzzy.2. diskusi 1. Mampu mengenal konsep dasar himpunan fuzzy dan himpunan crisp beserta terminologinya 3 Pokok Bahasan Pendahuluan Materi • Definisi logika fuzzy. • Aplikasi logika fuzzy. pustaka dan bobot evaluasi : 1 No 1 2 Kompetensi yang diharapkan Mengetahui dan memahami konsep dasar logika fuzzy.5%) Kuliah .3. • Tinggi himpunan fuzzy. • Operator-operator pengganti. diskusi 1.Materi Tiap tatap muka. 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.himpunan fuzzy vs himpunan crisp • Variabel fuzzy.4 Tugas 1 (12. Mampu mengenal dan Operator-operator fungsi Kuliah .4 3 Mengetahui dan memahami cara mencari nilai keanggotaan dengan pendekatan fungsi. • Domain. diskusi 6 Pustaka 1.2.4 . diskusi 1.4 5 Sistem Inferensi Kuliah . Memahami definisi logika fuzzy dan aplikasinya Mengetahui dan memahami konsep dasar himpunan fuzzy.

5%) Kuliah .4 • Metode aglomeratif • Metode Additive Kuliah .4 20% Tugas 3 (12. diskusi 1.2. diskusi 12.3. Basisdata fuzzy model Umano Metode Simple Additive Weighting (SAW) Metode Weighted Product (WP) Metode pengembangan Kuliah . Mampu mengenal dan merepresentasikan struktur & implementasi basisdata fuzzy 10 Mengetahui dan memahami konsep dasar dan aplikasi Fuzzy Multi-Attribute Decision Making(FMADM).5%) Ukuran-ukuran fuzzy.3. diskusi 1.5 . diskusi 1. diskusi 1. 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.2.2.3. Mampu mengenal dan merepresentasikan fuzzy clustering dengan metode FCM Fuzzy (FIS) Sistem Inferensi Fuzzy (FIS) Fuzzy Clustering FIS: Metode Mamdani Kuliah .3. Fuzzy C-Mean (FCM) Kuliah .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.2.3.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 Tugas 2 (12.

5%) 12. agregasi.5 14 PRESENTASI TUGAS KELOMPOK UJIAN AKHIR SEMESTER (UAS) 20% . IOWA.5 Tugas 4 (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. diskusi 12. dan perankingan pada penyelesaian masalah FMADM untuk GDM. diskusi Kuliah .3.3. • C-IOWA. dan I-IOWA. Kuliah . • Format preferensi.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 .3. • Algoritma genetika untuk penentuan bobot atribut. diskusi 12.

Sign up to vote on this title
UsefulNot useful