Course Descriptions

Aplikasi logika fuzzy: aritmatika fuzzy, model linguistik, pengambilan keputusan fuzzy, klasifikasi, pengenalan pola dan kontrol fuzzy. Algoritma dan Programming: realisasi software untuk aplikasi rekayasa berbasis fuzzy, ANN, dan Neuro Fuzzy. Secara rinci, materi kuliah ini yang hendak disampaikan adalah sebagai berikut:
1. Definisi, sifat dan operasi himpunan klasik (crisp) dan fuzzy.
3. Fungsi keanggotaan: klasifikasi himpunan fuzzy, proses fuzzifikasi.
4. Proses dan metode defuzzifikasi: metode lambda cut, centroid.
6. Metode sistem inferensi fuzzy (FIS): mamdani dan sugeno.
7. Metode jaringan syaraf tiruan (JST).
8. Integrasi logika fuzzy dan JST.
9. Memberikan studi kasus aplikasi neuro fuzzy di aplikasi industri dan kontrol.

Learning Outcomes

Yang diharapkan mahasiswa mampu : 

1. Mampu menunjukkan sikap bertanggungjawab atas pekerjaan dibidang keahliannya secara mandiri.
2. Dapat memahami dasar- dasar neuro fuzzy sehingga mampu mengidentifikasi, merumuskan, menganalisis, dan menyelesaikan permasalahan teknik.
3. Menerapkan keterampilan yang diperoleh dari perkuliahan sebelumnya dalam kegiatan desain kerekayasaan.

References

1. Yan, Jun and Michael Ryan and James Power, 1994, Using Fuzzy Logic : Toward Intelligent Systems. Englewood Cliffs, NJ : Prentice Hall.
2. Klir, George J, 1995, Fuzzy Sets and Fuzzy Logics : Theory and Applications. NJ : Prentice Hall.
3. Sugeno, 1985, M. Industrial Applications of Fuzzy Control. North Holland.
4. Wang, L-X, 1997, A Course in Fuzzy Systems and Control. International Edition. New Jersey : Prentice-Hall. Inc.
5. S. N. Sivanandam, S. Sumathi and S. N. Deepa, “Introduction to Fuzzy Logic using MATLAB”, 2007

Details ...

Course Descriptions

Aplikasi logika fuzzy: aritmatika fuzzy, model linguistik, pengambilan keputusan fuzzy, klasifikasi, pengenalan pola dan kontrol fuzzy. Algoritma dan Programming: realisasi software untuk aplikasi rekayasa berbasis fuzzy, ANN, dan Neuro Fuzzy. Secara rinci, materi kuliah ini yang hendak disampaikan adalah sebagai berikut:
1. Definisi, sifat dan operasi himpunan klasik (crisp) dan fuzzy.
3. Fungsi keanggotaan: klasifikasi himpunan fuzzy, proses fuzzifikasi.
4. Proses dan metode defuzzifikasi: metode lambda cut, centroid.
6. Metode sistem inferensi fuzzy (FIS): mamdani dan sugeno.
7. Metode jaringan syaraf tiruan (JST).
8. Integrasi logika fuzzy dan JST.
9. Memberikan studi kasus aplikasi neuro fuzzy di aplikasi industri dan kontrol.

Learning Outcomes

Yang diharapkan mahasiswa mampu : 

1. Mampu menunjukkan sikap bertanggungjawab atas pekerjaan dibidang keahliannya secara mandiri.
2. Dapat memahami dasar- dasar neuro fuzzy sehingga mampu mengidentifikasi, merumuskan, menganalisis, dan menyelesaikan permasalahan teknik.
3. Menerapkan keterampilan yang diperoleh dari perkuliahan sebelumnya dalam kegiatan desain kerekayasaan.

References

1. Yan, Jun and Michael Ryan and James Power, 1994, Using Fuzzy Logic : Toward Intelligent Systems. Englewood Cliffs, NJ : Prentice Hall.
2. Klir, George J, 1995, Fuzzy Sets and Fuzzy Logics : Theory and Applications. NJ : Prentice Hall.
3. Sugeno, 1985, M. Industrial Applications of Fuzzy Control. North Holland.
4. Wang, L-X, 1997, A Course in Fuzzy Systems and Control. International Edition. New Jersey : Prentice-Hall. Inc.
5. S. N. Sivanandam, S. Sumathi and S. N. Deepa, “Introduction to Fuzzy Logic using MATLAB”, 2007

Details ...

Course Descriptions

 Himpunan Fuzzy dan Logika Fuzzy: motivasi, himpunan, konsep dasar, set operasi, relasi fuzzy dan keputusan fuzzy. Aplikasi logika fuzzy: aritmatika fuzzy, model linguistik, pengambilan keputusan fuzzy, klasifikasi, pengenalan pola dan kontrol fuzzy. Algoritma dan Programming: realisasi software untuk aplikasi rekayasa berbasis fuzzy, JST, dan ANFIS. Secara rinci, materi kuliah ini yang hendak disampaikan adalah sebagai berikut:
1. definisi, sifat dan operasi himpunan klasik (crisp) dan fuzzy;
2. relasi dalam himpunan klasik dan fuzzy: cardinality, operasi, property dan komposisi;
3. fungsi keanggotaan: klasifikasi himpunan fuzzy, proses fuzzifikasi;
4. proses dan metode defuzzifikasi: metode lambda cut, centroid;
5. sistem fuzzy berbasis aturan: agregasi, dekomposisi dan formulasi aturan;
6. metode sistem inferensi fuzzy (FIS): mamdani dan sugeno;
7. metode jaringan syaraf tiruan (JST)
8. multiobjective decision making, dan Bayesian decision making;
9. memberikan studi kasus aplikasi ANFIS di aplikasi industri dan kontrol; 

Learning Outcomes

Yang diharapkan mahasiswa mampu : 

• Mampu menunjukkan sikap bertanggungjawab atas pekerjaan dibidang keahliannya secara mandiri,
• Dapat memahami dasar- dasar ANFIS sehingga mampu mengidentifikasi, merumuskan, menganalisis, dan menyelesaikan permasalahan teknik.
• Menerapkan keterampilan yang diperoleh dari perkuliahan sebelumnya dalam kegiatan desain kerekayasaan.

References

1. Yan, Jun and Michael Ryan and James Power, 1994, Using Fuzzy Logic : Toward Intelligent Systems. Englewood Cliffs, NJ : Prentice Hall.
2. Klir, George J, 1995, Fuzzy Sets and Fuzzy Logics : Theory and Applications. NJ : Prentice Hall
3. Sugeno, 1985, M. Industrial Applications of Fuzzy Control. North Holland
4. Wang, L-X, 1997, A Course in Fuzzy Systems and Control. International Edition. New Jersey : Prentice-Hall. Inc.
5. 1. S. N. Sivanandam, S. Sumathi and S. N. Deepa, “Introduction to Fuzzy Logic using MATLAB”, 2007

Details ...

Course Descriptions

 Himpunan Fuzzy dan Logika Fuzzy: motivasi, himpunan, konsep dasar, set operasi, relasi fuzzy dan keputusan fuzzy. Aplikasi logika fuzzy: aritmatika fuzzy, model linguistik, pengambilan keputusan fuzzy, klasifikasi, pengenalan pola dan kontrol fuzzy. Algoritma dan Programming: realisasi software untuk aplikasi rekayasa berbasis fuzzy, JST, dan ANFIS. Secara rinci, materi kuliah ini yang hendak disampaikan adalah sebagai berikut:
1. definisi, sifat dan operasi himpunan klasik (crisp) dan fuzzy;
2. relasi dalam himpunan klasik dan fuzzy: cardinality, operasi, property dan komposisi;
3. fungsi keanggotaan: klasifikasi himpunan fuzzy, proses fuzzifikasi;
4. proses dan metode defuzzifikasi: metode lambda cut, centroid;
5. sistem fuzzy berbasis aturan: agregasi, dekomposisi dan formulasi aturan;
6. metode sistem inferensi fuzzy (FIS): mamdani dan sugeno;
7. metode jaringan syaraf tiruan (JST)
8. multiobjective decision making, dan Bayesian decision making;
9. memberikan studi kasus aplikasi ANFIS di aplikasi industri dan kontrol; 

Learning Outcomes

Yang diharapkan mahasiswa mampu : 

• Mampu menunjukkan sikap bertanggungjawab atas pekerjaan dibidang keahliannya secara mandiri,
• Dapat memahami dasar- dasar ANFIS sehingga mampu mengidentifikasi, merumuskan, menganalisis, dan menyelesaikan permasalahan teknik.
• Menerapkan keterampilan yang diperoleh dari perkuliahan sebelumnya dalam kegiatan desain kerekayasaan.

References

1. Yan, Jun and Michael Ryan and James Power, 1994, Using Fuzzy Logic : Toward Intelligent Systems. Englewood Cliffs, NJ : Prentice Hall.
2. Klir, George J, 1995, Fuzzy Sets and Fuzzy Logics : Theory and Applications. NJ : Prentice Hall
3. Sugeno, 1985, M. Industrial Applications of Fuzzy Control. North Holland
4. Wang, L-X, 1997, A Course in Fuzzy Systems and Control. International Edition. New Jersey : Prentice-Hall. Inc.
5. 1. S. N. Sivanandam, S. Sumathi and S. N. Deepa, “Introduction to Fuzzy Logic using MATLAB”, 2007

Details ...