RANCANGAN PEMBELAJARAN BERBASIS STUDENT CENTERED LEARNINGKode 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

RANCANGAN PEMBELAJARAN BERBASIS STUDENT CENTERED LEARNINGMata Kuliah Kode Mata Kuliah Semester SKS Program Studi Jenjang Prasyarat 1. Tujuan : Logika Fuzzy : TIFS 3415 : VI (enam) : 3 (tiga) : Teknik Informatika : Sarjana :-

: memberikan wawasan kepada mahasiswa tentang konsep-konsep penting dalam logika fuzzy, perbedaan dengan logika tegas (crisp), inferensi fuzzy dan penerapannya dalam berbagai bidang bidang teknik informatika.

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

5. Evaluasi :Rumus Evaluasi adalah : NA = 10% Pres + 20% UTS + 20% UAS + 50% Tugas 1. Presensi (kehadiran kuliah) : 10% 2. Ujian Tengah Semester (UTS) : 20% 3. Ujian AKhir Semester (UAS) : 20% 4. Tugas-tugas, diskusi, presentasi : 50% Norma Penilaian : Semua penilaian dalam bentuk angka 0.00 sampai 100.00, kemudian nilai akhir (NA) ditentukan berdasarkan formula nilai akhir dan dikonversikan ke nilai huruf dengan ketentuan sbb : Kisaran Nilai Angka (NA) 0.00 < NA < 20.00 20.00 < NA < 40.00 40.00 < NA < 60.00 60.00 < NA < 80.00 80.00 < NA < 100.00 Nilai Huruf (NH) E D C B A

6. Ketentuan dan Tata Tertib kuliah tatap muka1. Kehadiran kuliah minimal 75% untuk dapat mengikuti ujiaan, utamanya ujian akhir semester (UAS) 2. Keterlambatan kehadiran kuliah : maksimal 20 menit (atau sesuai kesepakatan), lebih dari 20 menit tidak diiijinkan masuk kelas (kecuali dapat menjelaskan tentang sesuatu topik masalah di depan kelas, atau menjawab suatu pertanyaan dosen) 3. Selama kuliah seluruh alat komunikasi, HP dan alat lain dimatikan 4. Mahasiswa wajib mendownload semua meteri kuliah dan membacanya sesuai skedul 5. 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. Hal-hal lain yang belum dituliskan akan ditetapkan pada tatap muka pertama kali

7. Ijin Tidak mengikuti Kuliah1. Mahasiswa diijinkan tidak mengikuti kuliah maksimal 4 kali 2. Prosedur ijin tidak mengikuti kuliah ditetapkan oleh BAA 3. Ijin tidak mengikuti kuliah dibauat sebelum kuliah, atau jika terpaksa setelah kuliah , maka paling lambat satu mingghu setelah tatap muka yang bersangkutan

LINK-LINK PUSTAKA / BAHAN KULIAH :

http://elearning.akprind.ac.id/moodle/course/ view.php?id=3511. 2.

http://amir.dosen.akprind.ac.id/logika-fuzzy/

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

2

himpunan fuzzy

Kuliah, diskusi

1,2,3,4

Tugas 1 (12.5%) Kuliah , diskusi 1,2,3,4

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. Mampu mengenal dan

Operator-operator fungsi

Kuliah , diskusi

1,2,3,4

5

Sistem Inferensi

Kuliah , diskusi

1,2,3,4

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 fuzzy clustering dengan metode FCM

Fuzzy (FIS)

Sistem Inferensi Fuzzy (FIS) Fuzzy Clustering

FIS: Metode Mamdani

Kuliah , diskusi

1,2,3,4 Tugas 2 (12.5%)

Ukuran-ukuran fuzzy. Fuzzy C-Mean (FCM)

Kuliah , diskusi

1,2,3,4

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. 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. Basisdata fuzzy model Umano Metode Simple Additive Weighting (SAW) Metode Weighted Product (WP) Metode pengembangan Kuliah , diskusi 1,2,3,4 Metode aglomeratif Metode Additive Kuliah , diskusi 1,2,3,4

20%

Tugas 3 (12.5%)

Kuliah , diskusi

12,3,5

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, IOWA, C-IOWA, dan I-IOWA. Algoritma genetika untuk penentuan bobot atribut. Format preferensi, agregasi, dan perankingan pada penyelesaian masalah FMADM untuk GDM.

Kuliah , diskusi

12,3,5

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 Kuliah , diskusi

12,3,5

Tugas 4 (12.5%)

12,3,5

14 PRESENTASI TUGAS KELOMPOK UJIAN AKHIR SEMESTER (UAS) 20%