P. 1
Rpp Logika Fuzzy 2011

Rpp Logika Fuzzy 2011

|Views: 119|Likes:
Dipublikasikan oleh Ima Dw

More info:

Published by: Ima Dw on Nov 25, 2011
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

12/07/2012

pdf

text

original

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

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

Mahasiswa diijinkan tidak mengikuti kuliah maksimal 4 kali 2.00 < NA < 60.00 sampai 100.00 < NA < 20.00 < NA < 40. Keterlambatan kehadiran kuliah : maksimal 20 menit (atau sesuai kesepakatan).00 < NA < 80. diskusi. Hal-hal lain yang belum dituliskan akan ditetapkan pada tatap muka pertama kali 7.00 20.00 60.00 40. HP dan alat lain dimatikan 4. 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 AKhir Semester (UAS) : 20% 4. utamanya ujian akhir semester (UAS) 2.00 < NA < 100. atau jika terpaksa setelah kuliah . Evaluasi : Rumus Evaluasi adalah : NA = 10% Pres + 20% UTS + 20% UAS + 50% Tugas 1. presentasi : 50% Norma Penilaian : Semua penilaian dalam bentuk angka 0. kemudian nilai akhir (NA) ditentukan berdasarkan formula nilai akhir dan dikonversikan ke nilai huruf dengan ketentuan sbb : Kisaran Nilai Angka (NA) 0. Mahasiswa wajib mendownload semua meteri kuliah dan membacanya sesuai skedul 5. Kehadiran kuliah minimal 75% untuk dapat mengikuti ujiaan.00 80. Ujian Tengah Semester (UTS) : 20% 3. atau menjawab suatu pertanyaan dosen) 3. Prosedur ijin tidak mengikuti kuliah ditetapkan oleh BAA 3.00. Ketentuan dan Tata Tertib kuliah tatap muka 1. Presensi (kehadiran kuliah) : 10% 2.5. maka paling lambat satu mingghu setelah tatap muka yang bersangkutan LINK-LINK PUSTAKA / BAHAN KULIAH : . Selama kuliah seluruh alat komunikasi.00 Nilai Huruf (NH) E D C B A 6. Ijin tidak mengikuti kuliah dibauat sebelum kuliah. Ijin Tidak mengikuti Kuliah 1. lebih dari 20 menit tidak diiijinkan masuk kelas (kecuali dapat menjelaskan tentang sesuatu topik masalah di depan kelas. Tugas-tugas.

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

.

pustaka dan bobot evaluasi : 1 No 1 2 Kompetensi yang diharapkan Mengetahui dan memahami konsep dasar logika fuzzy. Mampu mengenal konsep dasar himpunan fuzzy dan himpunan crisp beserta terminologinya 3 Pokok Bahasan Pendahuluan Materi • Definisi logika fuzzy. diskusi 1. • .4 .4 7 Evaluasi (Bobot) 2 himpunan fuzzy Kuliah. • Aplikasi logika fuzzy. diskusi 6 Pustaka 1.2. Penalaran monoton FIS: Metode Tsukamoto FIS: Metode Sugeno 4 5 Bentuk Pembelajaran Kuliah .2.3.2.3.himpunan fuzzy vs himpunan crisp • Variabel fuzzy.4 3 Mengetahui dan memahami cara mencari nilai keanggotaan dengan pendekatan fungsi. 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. • Domain.2.3. • sistem fuzzy.3.Materi Tiap tatap muka.3. diskusi 1. • Operator-operator pengganti.5%) Kuliah . diskusi 1. Memahami definisi logika fuzzy dan aplikasinya Mengetahui dan memahami konsep dasar himpunan fuzzy.4 5 Sistem Inferensi Kuliah .4 Tugas 1 (12. • Tinggi himpunan fuzzy. • Semseta pembicaraan • Support set • α -cut set Fungsi keanggotaan : Linear (naik/turun) Segitiga Sigmoid (S & Z) Gauss Beta Diskret • Operator-operator dasar Zadeh. diskusi 1.2. Mampu mengenal dan Operator-operator fungsi Kuliah .

3. 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. Mampu mengenal dan merepresentasikan struktur & implementasi basisdata fuzzy 10 Mengetahui dan memahami konsep dasar dan aplikasi Fuzzy Multi-Attribute Decision Making(FMADM). 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. Fuzzy C-Mean (FCM) Kuliah . Mampu mengenal dan merepresentasikan fuzzy clustering dengan metode FCM Fuzzy (FIS) Sistem Inferensi Fuzzy (FIS) Fuzzy Clustering FIS: Metode Mamdani Kuliah . diskusi 1.3.2.2.3.3.2. Basisdata fuzzy model Umano Metode Simple Additive Weighting (SAW) Metode Weighted Product (WP) Metode pengembangan Kuliah .5 .4 20% Tugas 3 (12. diskusi 12.4 • Metode aglomeratif • Metode Additive Kuliah .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.2.4 Tugas 2 (12.5%) Kuliah .5%) Ukuran-ukuran fuzzy. diskusi 1. diskusi 1.

• C-IOWA.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 . diskusi 12.3.5%) 12. diskusi Kuliah . dan perankingan pada penyelesaian masalah FMADM untuk GDM.3.5 14 PRESENTASI TUGAS KELOMPOK UJIAN AKHIR SEMESTER (UAS) 20% .5 Tugas 4 (12. IOWA. • Algoritma genetika untuk penentuan bobot atribut. diskusi 12. • Format preferensi.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. Kuliah . dan I-IOWA.

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->