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

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

Ijin tidak mengikuti kuliah dibauat sebelum kuliah. utamanya ujian akhir semester (UAS) 2. Ujian Tengah Semester (UTS) : 20% 3. lebih dari 20 menit tidak diiijinkan masuk kelas (kecuali dapat menjelaskan tentang sesuatu topik masalah di depan kelas.00 20.00 < NA < 80. atau jika terpaksa setelah kuliah . Ketentuan dan Tata Tertib kuliah tatap muka 1. HP dan alat lain dimatikan 4. Mahasiswa wajib mendownload semua meteri kuliah dan membacanya sesuai skedul 5. kemudian nilai akhir (NA) ditentukan berdasarkan formula nilai akhir dan dikonversikan ke nilai huruf dengan ketentuan sbb : Kisaran Nilai Angka (NA) 0.00 40. Selama kuliah seluruh alat komunikasi. Ijin Tidak mengikuti Kuliah 1. Keterlambatan kehadiran kuliah : maksimal 20 menit (atau sesuai kesepakatan). Pertanyaan yang muncul dari proses membaca bahan kuliah dan jawaban yang muncul dari sesama teman yang sudah memahami akan memberi kontribusi pada nilai tugas 6.00 < NA < 60. Mahasiswa diijinkan tidak mengikuti kuliah maksimal 4 kali 2.00 < NA < 40. Hal-hal lain yang belum dituliskan akan ditetapkan pada tatap muka pertama kali 7. Evaluasi : Rumus Evaluasi adalah : NA = 10% Pres + 20% UTS + 20% UAS + 50% Tugas 1. Presensi (kehadiran kuliah) : 10% 2.00 60. Ujian AKhir Semester (UAS) : 20% 4. Tugas-tugas.00 < NA < 100.00 < NA < 20.00 sampai 100. diskusi. Kehadiran kuliah minimal 75% untuk dapat mengikuti ujiaan. Prosedur ijin tidak mengikuti kuliah ditetapkan oleh BAA 3.00 Nilai Huruf (NH) E D C B A 6. presentasi : 50% Norma Penilaian : Semua penilaian dalam bentuk angka 0. atau menjawab suatu pertanyaan dosen) 3. maka paling lambat satu mingghu setelah tatap muka yang bersangkutan LINK-LINK PUSTAKA / BAHAN KULIAH : .5.00 80.00.

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

.

• sistem fuzzy.Materi Tiap tatap muka.3.4 . diskusi 1.5%) Kuliah . diskusi 1. diskusi 6 Pustaka 1.4 Tugas 1 (12. pustaka dan bobot evaluasi : 1 No 1 2 Kompetensi yang diharapkan Mengetahui dan memahami konsep dasar logika fuzzy.4 7 Evaluasi (Bobot) 2 himpunan fuzzy Kuliah. Mampu mengenal konsep dasar himpunan fuzzy dan himpunan crisp beserta terminologinya 3 Pokok Bahasan Pendahuluan Materi • Definisi logika fuzzy. diskusi 1.2. • . • Aplikasi logika fuzzy. • Semseta pembicaraan • Support set • α -cut set Fungsi keanggotaan : Linear (naik/turun) Segitiga Sigmoid (S & Z) Gauss Beta Diskret • Operator-operator dasar Zadeh. 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.2.2.3. • Operator-operator pengganti.3.himpunan fuzzy vs himpunan crisp • Variabel fuzzy.2. • Domain. Penalaran monoton FIS: Metode Tsukamoto FIS: Metode Sugeno 4 5 Bentuk Pembelajaran Kuliah . diskusi 1.3.2. Memahami definisi logika fuzzy dan aplikasinya Mengetahui dan memahami konsep dasar himpunan fuzzy.4 5 Sistem Inferensi Kuliah .3. • Tinggi himpunan fuzzy. Mampu mengenal dan Operator-operator fungsi Kuliah .4 3 Mengetahui dan memahami cara mencari nilai keanggotaan dengan pendekatan fungsi.

3.3.3.3. diskusi 1.5%) Kuliah .2. Basisdata fuzzy model Umano Metode Simple Additive Weighting (SAW) Metode Weighted Product (WP) Metode pengembangan Kuliah . diskusi 1.2. Mampu mengenal dan merepresentasikan fuzzy clustering dengan metode FCM Fuzzy (FIS) Sistem Inferensi Fuzzy (FIS) Fuzzy Clustering FIS: Metode Mamdani Kuliah .2. diskusi 1.3. Fuzzy C-Mean (FCM) 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 • 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.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. Mampu mengenal dan merepresentasikan struktur & implementasi basisdata fuzzy 10 Mengetahui dan memahami konsep dasar dan aplikasi Fuzzy Multi-Attribute Decision Making(FMADM).5 .5%) Ukuran-ukuran fuzzy. diskusi 12. diskusi 1.4 20% Tugas 3 (12.

dan perankingan pada penyelesaian masalah FMADM untuk GDM. IOWA.5 Tugas 4 (12. diskusi 12. agregasi. • C-IOWA. dan I-IOWA. • Algoritma genetika untuk penentuan bobot atribut.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.3.3.5 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 .3. Kuliah . diskusi 12. diskusi Kuliah . • Format preferensi.5%) 12.5 14 PRESENTASI TUGAS KELOMPOK UJIAN AKHIR SEMESTER (UAS) 20% .

Sign up to vote on this title
UsefulNot useful