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

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

00 40. utamanya ujian akhir semester (UAS) 2. Ijin tidak mengikuti kuliah dibauat sebelum kuliah. kemudian nilai akhir (NA) ditentukan berdasarkan formula nilai akhir dan dikonversikan ke nilai huruf dengan ketentuan sbb : Kisaran Nilai Angka (NA) 0.5. lebih dari 20 menit tidak diiijinkan masuk kelas (kecuali dapat menjelaskan tentang sesuatu topik masalah di depan kelas.00 Nilai Huruf (NH) E D C B A 6. atau jika terpaksa setelah kuliah .00 60. Tugas-tugas. Keterlambatan kehadiran kuliah : maksimal 20 menit (atau sesuai kesepakatan). Mahasiswa diijinkan tidak mengikuti kuliah maksimal 4 kali 2.00 < NA < 20. Hal-hal lain yang belum dituliskan akan ditetapkan pada tatap muka pertama kali 7.00 < NA < 60.00 < NA < 40. Ketentuan dan Tata Tertib kuliah tatap muka 1. HP dan alat lain dimatikan 4.00 < NA < 100. Evaluasi : Rumus Evaluasi adalah : NA = 10% Pres + 20% UTS + 20% UAS + 50% Tugas 1. Mahasiswa wajib mendownload semua meteri kuliah dan membacanya sesuai skedul 5. Presensi (kehadiran kuliah) : 10% 2.00 sampai 100.00 80. presentasi : 50% Norma Penilaian : Semua penilaian dalam bentuk angka 0.00 < NA < 80. Kehadiran kuliah minimal 75% untuk dapat mengikuti ujiaan.00 20. maka paling lambat satu mingghu setelah tatap muka yang bersangkutan LINK-LINK PUSTAKA / BAHAN KULIAH : . Ujian AKhir Semester (UAS) : 20% 4. Prosedur ijin tidak mengikuti kuliah ditetapkan oleh BAA 3. atau menjawab suatu pertanyaan dosen) 3. 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. Ujian Tengah Semester (UTS) : 20% 3. diskusi. Ijin Tidak mengikuti Kuliah 1.00. Selama kuliah seluruh alat komunikasi.

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

.

2. pustaka dan bobot evaluasi : 1 No 1 2 Kompetensi yang diharapkan Mengetahui dan memahami konsep dasar logika fuzzy. diskusi 1. • Aplikasi logika fuzzy. diskusi 1. 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.3. • sistem fuzzy.3.3. • Domain. diskusi 1.2. Mampu mengenal dan Operator-operator fungsi Kuliah . diskusi 6 Pustaka 1.himpunan fuzzy vs himpunan crisp • Variabel fuzzy. • Operator-operator pengganti.5%) Kuliah .3.2. Memahami definisi logika fuzzy dan aplikasinya Mengetahui dan memahami konsep dasar himpunan fuzzy.2.Materi Tiap tatap muka. Penalaran monoton FIS: Metode Tsukamoto FIS: Metode Sugeno 4 5 Bentuk Pembelajaran Kuliah .4 7 Evaluasi (Bobot) 2 himpunan fuzzy Kuliah. • Tinggi himpunan fuzzy.4 5 Sistem Inferensi Kuliah .2. Mampu mengenal konsep dasar himpunan fuzzy dan himpunan crisp beserta terminologinya 3 Pokok Bahasan Pendahuluan Materi • Definisi logika fuzzy.3.4 Tugas 1 (12. • 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. • .4 3 Mengetahui dan memahami cara mencari nilai keanggotaan dengan pendekatan fungsi.4 .

diskusi 1.2.4 • Metode aglomeratif • Metode Additive Kuliah . 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. Mampu mengenal dan merepresentasikan struktur & implementasi basisdata fuzzy 10 Mengetahui dan memahami konsep dasar dan aplikasi Fuzzy Multi-Attribute Decision Making(FMADM).3.3.3.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.5%) Kuliah . Basisdata fuzzy model Umano Metode Simple Additive Weighting (SAW) Metode Weighted Product (WP) Metode pengembangan Kuliah . diskusi 1.5 . Mampu mengenal dan merepresentasikan fuzzy clustering dengan metode FCM Fuzzy (FIS) Sistem Inferensi Fuzzy (FIS) Fuzzy Clustering FIS: Metode Mamdani Kuliah .4 Tugas 2 (12.4 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.3.5%) Ukuran-ukuran fuzzy. diskusi 12. diskusi 1. Fuzzy C-Mean (FCM) Kuliah .2.4 20% Tugas 3 (12.3.2.2.

diskusi 12. Kuliah . dan I-IOWA.5 14 PRESENTASI TUGAS KELOMPOK UJIAN AKHIR SEMESTER (UAS) 20% .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 12.5 Tugas 4 (12. IOWA. • Format preferensi.3. dan perankingan pada penyelesaian masalah FMADM untuk GDM.3. 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 . • Algoritma genetika untuk penentuan bobot atribut. • C-IOWA.5%) 12. agregasi.