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

Evaluasi : Rumus Evaluasi adalah : NA = 10% Pres + 20% UTS + 20% UAS + 50% Tugas 1. HP dan alat lain dimatikan 4. Ujian AKhir Semester (UAS) : 20% 4. lebih dari 20 menit tidak diiijinkan masuk kelas (kecuali dapat menjelaskan tentang sesuatu topik masalah di depan kelas. Selama kuliah seluruh alat komunikasi. Ketentuan dan Tata Tertib kuliah tatap muka 1. Prosedur ijin tidak mengikuti kuliah ditetapkan oleh BAA 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 6.00 Nilai Huruf (NH) E D C B A 6.00 80. atau jika terpaksa setelah kuliah .00 < NA < 20.00 < NA < 100. diskusi. presentasi : 50% Norma Penilaian : Semua penilaian dalam bentuk angka 0. Ijin Tidak mengikuti Kuliah 1. kemudian nilai akhir (NA) ditentukan berdasarkan formula nilai akhir dan dikonversikan ke nilai huruf dengan ketentuan sbb : Kisaran Nilai Angka (NA) 0. utamanya ujian akhir semester (UAS) 2. Ijin tidak mengikuti kuliah dibauat sebelum kuliah.00 40. maka paling lambat satu mingghu setelah tatap muka yang bersangkutan LINK-LINK PUSTAKA / BAHAN KULIAH : . Mahasiswa diijinkan tidak mengikuti kuliah maksimal 4 kali 2. Keterlambatan kehadiran kuliah : maksimal 20 menit (atau sesuai kesepakatan).00 sampai 100. Ujian Tengah Semester (UTS) : 20% 3.00 < NA < 60. Tugas-tugas. Mahasiswa wajib mendownload semua meteri kuliah dan membacanya sesuai skedul 5.00 < NA < 80. Hal-hal lain yang belum dituliskan akan ditetapkan pada tatap muka pertama kali 7. atau menjawab suatu pertanyaan dosen) 3.00 20.00 60. Kehadiran kuliah minimal 75% untuk dapat mengikuti ujiaan.00 < NA < 40.5. Presensi (kehadiran kuliah) : 10% 2.00.

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

.

• Semseta pembicaraan • Support set • α -cut set Fungsi keanggotaan : Linear (naik/turun) Segitiga Sigmoid (S & Z) Gauss Beta Diskret • Operator-operator dasar Zadeh. Penalaran monoton FIS: Metode Tsukamoto FIS: Metode Sugeno 4 5 Bentuk Pembelajaran Kuliah .4 5 Sistem Inferensi Kuliah .3.2.2. diskusi 1. Mampu mengenal dan Operator-operator fungsi Kuliah . pustaka dan bobot evaluasi : 1 No 1 2 Kompetensi yang diharapkan Mengetahui dan memahami konsep dasar logika fuzzy. • Tinggi himpunan fuzzy. diskusi 1. diskusi 1.4 Tugas 1 (12. • .3.4 7 Evaluasi (Bobot) 2 himpunan fuzzy Kuliah.3.2. Memahami definisi logika fuzzy dan aplikasinya Mengetahui dan memahami konsep dasar himpunan fuzzy.2.5%) Kuliah . Mampu mengenal konsep dasar himpunan fuzzy dan himpunan crisp beserta terminologinya 3 Pokok Bahasan Pendahuluan Materi • Definisi logika 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. diskusi 1.3. • Aplikasi logika fuzzy.4 3 Mengetahui dan memahami cara mencari nilai keanggotaan dengan pendekatan fungsi.Materi Tiap tatap muka. • sistem fuzzy.himpunan fuzzy vs himpunan crisp • Variabel fuzzy.4 . diskusi 6 Pustaka 1.2. • Operator-operator pengganti. • Domain.3.

2.3.2. Mampu mengenal dan merepresentasikan struktur & implementasi basisdata fuzzy 10 Mengetahui dan memahami konsep dasar dan aplikasi Fuzzy Multi-Attribute Decision Making(FMADM).4 • Metode aglomeratif • Metode Additive Kuliah .2. diskusi 12. diskusi 1.3.2.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.3.5%) Ukuran-ukuran fuzzy. Mampu mengenal dan merepresentasikan fuzzy clustering dengan metode FCM Fuzzy (FIS) Sistem Inferensi Fuzzy (FIS) Fuzzy Clustering FIS: Metode Mamdani Kuliah .3.3.4 20% Tugas 3 (12. 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 . diskusi 1. diskusi 1. Basisdata fuzzy model Umano Metode Simple Additive Weighting (SAW) Metode Weighted Product (WP) Metode pengembangan Kuliah . diskusi 1. Fuzzy C-Mean (FCM) Kuliah .4 Tugas 2 (12.5%) Kuliah .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.

• Format preferensi.5 Tugas 4 (12. diskusi Kuliah .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 . dan I-IOWA. Kuliah .3. IOWA. dan perankingan pada penyelesaian masalah FMADM untuk GDM.3.5%) 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.3. diskusi 12. diskusi 12. agregasi.5 14 PRESENTASI TUGAS KELOMPOK UJIAN AKHIR SEMESTER (UAS) 20% . • C-IOWA. • Algoritma genetika untuk penentuan bobot atribut.