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

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

5.00 < NA < 60. diskusi. Ujian Tengah Semester (UTS) : 20% 3. maka paling lambat satu mingghu setelah tatap muka yang bersangkutan LINK-LINK PUSTAKA / BAHAN KULIAH : .00 20. Prosedur ijin tidak mengikuti kuliah ditetapkan oleh BAA 3. Mahasiswa diijinkan tidak mengikuti kuliah maksimal 4 kali 2. 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 80. Ujian AKhir Semester (UAS) : 20% 4. Tugas-tugas. lebih dari 20 menit tidak diiijinkan masuk kelas (kecuali dapat menjelaskan tentang sesuatu topik masalah di depan kelas.00 < NA < 100.00 40.00 60. Kehadiran kuliah minimal 75% untuk dapat mengikuti ujiaan. Hal-hal lain yang belum dituliskan akan ditetapkan pada tatap muka pertama kali 7. Ijin tidak mengikuti kuliah dibauat sebelum kuliah. atau jika terpaksa setelah kuliah . HP dan alat lain dimatikan 4. atau menjawab suatu pertanyaan dosen) 3. kemudian nilai akhir (NA) ditentukan berdasarkan formula nilai akhir dan dikonversikan ke nilai huruf dengan ketentuan sbb : Kisaran Nilai Angka (NA) 0. Ijin Tidak mengikuti Kuliah 1. Selama kuliah seluruh alat komunikasi. Mahasiswa wajib mendownload semua meteri kuliah dan membacanya sesuai skedul 5. Evaluasi : Rumus Evaluasi adalah : NA = 10% Pres + 20% UTS + 20% UAS + 50% Tugas 1. utamanya ujian akhir semester (UAS) 2. Presensi (kehadiran kuliah) : 10% 2.00 < NA < 20. Ketentuan dan Tata Tertib kuliah tatap muka 1. presentasi : 50% Norma Penilaian : Semua penilaian dalam bentuk angka 0.00 < NA < 40.00 sampai 100.00.00 < NA < 80. Keterlambatan kehadiran kuliah : maksimal 20 menit (atau sesuai kesepakatan).00 Nilai Huruf (NH) E D C B A 6.

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

.

• . Penalaran monoton FIS: Metode Tsukamoto FIS: Metode Sugeno 4 5 Bentuk Pembelajaran Kuliah .3. diskusi 1.2.5%) Kuliah .2.4 7 Evaluasi (Bobot) 2 himpunan fuzzy Kuliah. pustaka dan bobot evaluasi : 1 No 1 2 Kompetensi yang diharapkan Mengetahui dan memahami konsep dasar logika fuzzy.2.himpunan fuzzy vs himpunan crisp • Variabel fuzzy.3. diskusi 1.3.Materi Tiap tatap muka.4 5 Sistem Inferensi Kuliah . Mampu mengenal dan Operator-operator fungsi Kuliah . • Domain.4 . diskusi 1. • Aplikasi logika fuzzy. Mampu mengenal konsep dasar himpunan fuzzy dan himpunan crisp beserta terminologinya 3 Pokok Bahasan Pendahuluan Materi • Definisi logika fuzzy.3. • Operator-operator pengganti.4 3 Mengetahui dan memahami cara mencari nilai keanggotaan dengan pendekatan fungsi.4 Tugas 1 (12.3.2. • Tinggi himpunan fuzzy. 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. • Semseta pembicaraan • Support set • α -cut set Fungsi keanggotaan : Linear (naik/turun) Segitiga Sigmoid (S & Z) Gauss Beta Diskret • Operator-operator dasar Zadeh.2. • sistem fuzzy. Memahami definisi logika fuzzy dan aplikasinya Mengetahui dan memahami konsep dasar himpunan fuzzy. diskusi 6 Pustaka 1. diskusi 1.

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.5 .2.5%) Kuliah .4 Tugas 2 (12. diskusi 1.5%) Ukuran-ukuran fuzzy.4 • Metode aglomeratif • Metode Additive Kuliah . diskusi 1.3. Mampu mengenal dan merepresentasikan fuzzy clustering dengan metode FCM Fuzzy (FIS) Sistem Inferensi Fuzzy (FIS) Fuzzy Clustering FIS: Metode Mamdani Kuliah .3.4 20% Tugas 3 (12. diskusi 1.2.4 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. Basisdata fuzzy model Umano Metode Simple Additive Weighting (SAW) Metode Weighted Product (WP) Metode pengembangan Kuliah .2. diskusi 1. Fuzzy C-Mean (FCM) Kuliah . diskusi 12.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).3.

agregasi. • C-IOWA.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 .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 12.3. • Algoritma genetika untuk penentuan bobot atribut. dan I-IOWA.5%) 12.5 14 PRESENTASI TUGAS KELOMPOK UJIAN AKHIR SEMESTER (UAS) 20% . • Format preferensi. diskusi 12.3.5 Tugas 4 (12.3. diskusi Kuliah . dan perankingan pada penyelesaian masalah FMADM untuk GDM. IOWA. Kuliah .

Sign up to vote on this title
UsefulNot useful