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

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

Kehadiran kuliah minimal 75% untuk dapat mengikuti ujiaan.00 Nilai Huruf (NH) E D C B A 6.00 20. Ketentuan dan Tata Tertib kuliah tatap muka 1. Hal-hal lain yang belum dituliskan akan ditetapkan pada tatap muka pertama kali 7. Ujian Tengah Semester (UTS) : 20% 3. Selama kuliah seluruh alat komunikasi. Ujian AKhir Semester (UAS) : 20% 4.00 < NA < 80. presentasi : 50% Norma Penilaian : Semua penilaian dalam bentuk angka 0. Ijin tidak mengikuti kuliah dibauat sebelum kuliah.00. Tugas-tugas. Mahasiswa diijinkan tidak mengikuti kuliah maksimal 4 kali 2. atau menjawab suatu pertanyaan dosen) 3. diskusi. kemudian nilai akhir (NA) ditentukan berdasarkan formula nilai akhir dan dikonversikan ke nilai huruf dengan ketentuan sbb : Kisaran Nilai Angka (NA) 0. Keterlambatan kehadiran kuliah : maksimal 20 menit (atau sesuai kesepakatan). utamanya ujian akhir semester (UAS) 2.00 sampai 100.00 40. Mahasiswa wajib mendownload semua meteri kuliah dan membacanya sesuai skedul 5.00 < NA < 20. 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. maka paling lambat satu mingghu setelah tatap muka yang bersangkutan LINK-LINK PUSTAKA / BAHAN KULIAH : . Prosedur ijin tidak mengikuti kuliah ditetapkan oleh BAA 3.00 60. Presensi (kehadiran kuliah) : 10% 2.00 80. atau jika terpaksa setelah kuliah . HP dan alat lain dimatikan 4.00 < NA < 60. Ijin Tidak mengikuti Kuliah 1. lebih dari 20 menit tidak diiijinkan masuk kelas (kecuali dapat menjelaskan tentang sesuatu topik masalah di depan kelas.00 < NA < 100. Evaluasi : Rumus Evaluasi adalah : NA = 10% Pres + 20% UTS + 20% UAS + 50% Tugas 1.00 < NA < 40.5.

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

.

3. diskusi 1.himpunan fuzzy vs himpunan crisp • Variabel fuzzy. • sistem fuzzy. diskusi 1. diskusi 6 Pustaka 1.2.3. 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.4 5 Sistem Inferensi Kuliah . Mampu mengenal dan Operator-operator fungsi Kuliah . • Semseta pembicaraan • Support set • α -cut set Fungsi keanggotaan : Linear (naik/turun) Segitiga Sigmoid (S & Z) Gauss Beta Diskret • Operator-operator dasar Zadeh.2.3. • Aplikasi logika fuzzy.4 . Mampu mengenal konsep dasar himpunan fuzzy dan himpunan crisp beserta terminologinya 3 Pokok Bahasan Pendahuluan Materi • Definisi logika fuzzy. diskusi 1.2. Memahami definisi logika fuzzy dan aplikasinya Mengetahui dan memahami konsep dasar himpunan fuzzy.4 7 Evaluasi (Bobot) 2 himpunan fuzzy Kuliah.3.4 Tugas 1 (12.Materi Tiap tatap muka. • . • Domain. • Operator-operator pengganti.2. Penalaran monoton FIS: Metode Tsukamoto FIS: Metode Sugeno 4 5 Bentuk Pembelajaran Kuliah . • Tinggi himpunan fuzzy. pustaka dan bobot evaluasi : 1 No 1 2 Kompetensi yang diharapkan Mengetahui dan memahami konsep dasar logika fuzzy.2.5%) Kuliah .4 3 Mengetahui dan memahami cara mencari nilai keanggotaan dengan pendekatan fungsi.3.

2.4 • Metode aglomeratif • Metode Additive Kuliah .5%) Ukuran-ukuran fuzzy.2. diskusi 1. Basisdata fuzzy model Umano Metode Simple Additive Weighting (SAW) Metode Weighted Product (WP) Metode pengembangan Kuliah . diskusi 1.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.3. diskusi 1. Mampu mengenal dan merepresentasikan struktur & implementasi basisdata fuzzy 10 Mengetahui dan memahami konsep dasar dan aplikasi Fuzzy Multi-Attribute Decision Making(FMADM). diskusi 12.3. 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.2. Mampu mengenal dan merepresentasikan fuzzy clustering dengan metode FCM Fuzzy (FIS) Sistem Inferensi Fuzzy (FIS) Fuzzy Clustering FIS: Metode Mamdani Kuliah .4 20% Tugas 3 (12. Fuzzy C-Mean (FCM) Kuliah .2.3.4 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.3.4 Tugas 2 (12.5%) Kuliah .3.5 . diskusi 1.

IOWA. dan perankingan pada penyelesaian masalah FMADM untuk GDM.5 14 PRESENTASI TUGAS KELOMPOK UJIAN AKHIR SEMESTER (UAS) 20% . dan I-IOWA. • Algoritma genetika untuk penentuan bobot atribut. 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. agregasi.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 .5%) 12.3.3. Kuliah . diskusi Kuliah . • C-IOWA. diskusi 12.5 Tugas 4 (12. • Format preferensi.3.

Sign up to vote on this title
UsefulNot useful