portofolio perkuliahan universitas brawijaya
TRANSCRIPT
P2RP-LP3M UB
Portofolio Perkuliahan
UNIVERSITAS BRAWIJAYA
FAKULTAS MIPA
JURUSAN STATISTIKA / PROGRAM STUDI SARJANA
STATISTIKA
Mata Kuliah:
Analisis Data Kategori
Kode:
MAS62221
RMK:
Ilmu hayati
Semester:
Genap
Dosen Dr. Suci Astutik, S.Si., M.Si.
Pendahuluan
Mata kuliah Analisis Data Kategori merupakan mata kuliah wajib semester 4 dalam rumpun
ilmu hayati. Mata kuliah pendukung adalah analisis regresi dan pengantar peluang. Mata
kuliah ini banyak membahas metode analisis statistika pada data kategori dengan pendekatan
peluang dan konsep model regresi yang banyak diterapkan dalam bidang ilmu hayati. Strategi
pembelajaran dilakukan melalui pemahaman konsep teori analisis data kategori dan
terapannya pada bidang ilmu hayati. Evaluasi pembelajaran dilakukan untuk mengetahui
sejauh mana tingkat pemahaman mahasiswa pada mata kuliah ini baik secara teori maupun
terapannya. Tingkat pemahaman mahasiswa terhadap mata kuliah ini, tidak hanya ditentukan
oleh proses pembelajaran (materi dan cara penyampaian materi) tapi juga ditentukan oleh
karakter masing-masing mahasiswa peserta mata kuliah ini. Oleh karena itu diperlukan
kemampuan dosen pengajar dalam merancang strategi pembelajaran berdasarkan hasil
evaluasi proses pembelajaran, masukan dan kendala yang dihadapi mahasiswa pada mata
kuliah ini.
1 Tujuan
Tujuan Umum:
Mata kuliah ini diajarkan supaya mahasiswa mampu memahami, menjelaskan dan
melakukan analisis tabel kontingensi dan uji asosiasi dari tabel kontingensi, memahami
dan menjelaskan prinsip-prinsip dasar model analisis data kategorik dengan peubah
respon biner untuk dikembangkan ke peubah respon politomus, memahami dan
menjelaskan model peluang bagi data kategorik (binomial, multinomial, poisson),
peluang bersama, peluang marginal dan peluang bersyarat serta sekaligus mampu
melakukan pendugaan parameter dan pengujian hipotesis, memiliki ketrampilan
memodelkan data kategorik dengan logistik, probit dan gompertz dengan peubah respon
biner bagi tabel kontingensi dan sekaligus mampu melakukan pendugaan parameter
dan pengujian hipotesis serta validasi model, memiliki ketrampilan memodelkan data
kategorik dengan loglinier bagi tabel kontingensi dan sekaligus mampu melakukan
pendugaan parameter dan pengujian hipotesis serta memilih model terbaik.
Mata kuliah ini diajarkan untuk mendukung Capaian Pembelajaran Program Studi
(Intended Learning Outcome - ILO) berikut ini:
- ILO 1: Menguasai konsep dasar keilmuan dan metode analisis statistika yang
P2RP-LP3M UB
dapat diaplikasikan pada bidang komputasi, sosial humaniora, ekonomi, industri
dan hayati.
- ILO 3: Mampu mengelola dan menganalisis data, menyelesaikan permasalahan
nyata menggunakan metode statistika di bidang komputasi statistika, sosial
humaniora, ekonomi, industri dan hayati dengan bantuan perangkat lunak, serta
menyajikan dan mengkomunikasikan hasilnya.
- ILO 4: Menguasai minimal dua perangkat lunak statistika, termasuk yang
berbasis open source.
- ILO 5: Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif
secara mandiri, dengan hasil yang bermutu dan terukur dalam implementasi
ilmu pengetahuan dan teknologi yang menerapkan nilai humaniora berdasarkan
kaidah, tata cara dan etika ilmiah
- ILO 6: Mampu mengambil keputusan secara tepat dalam menyelesaikan
masalah di bidang keahliannya berdasarkan hasil analisis informasi dan data
- ILO 8: Mampu menerapkan dan menginternalisasi semangat kemandirian,
kejuangan, kewirausahaan berdasarkan nilai, norma, dan etika akademik serta
nilai Pancasila dalam segala aspek kehidupan.
Sedangkan capaian pembelajaran dari Mata Kuliah (Course Learning Outcome - CLO)
Analisis Data Kategori ini adalah:
- CLO 1: Mahasiswa mampu memahami dan menjelaskan konsep-konsep dasar
statistika nonparametrik serta menggunakaannya untuk uji dua dan k populasi
- CLO 2: Mahasiswa mampu memahami, menjelaskan dan melakukan analisis
tabel kontingensi dan uji asosiasi dari tabel kontingensi
- CLO 3: Mahasiswa mampu memahami dan menjelaskan prinsip-prinsip dasar
model analisis data kategorik dengan peubah respon biner untuk dikembangkan
ke peubah respon politomus
- CLO 4: Mahasiswa mampu memahami dan menjelaskan model peluang bagi
data kategorik (binomial, multinomial, poisson), peluang bersama, peluang
marginal dan peluang bersyarat serta sekaligus mampu melakukan pendugaan
parameter dan pengujian hipotesis
- CLO 5: Mahasiswa mampu memiliki ketrampilan memodelkan data kategorik
dengan logistik, probit dan gompertz dengan peubah respon biner bagi tabel
kontingensi dan sekaligus mampu melakukan pendugaan parameter dan
pengujian hipotesis serta validasi model
- CLO 6: Mahasiswa mampu memiliki ketrampilan memodelkan data kategorik
dengan loglinier bagi tabel kontingensi dan sekaligus mampu melakukan
pendugaan parameter dan pengujian hipotesis serta memilih model terbaik
Masing – masing Capaian Pembelajaran Mata Kuliah (CLO) memberikan dukungan
terhadap Capaian Pembelajaran Program Studi (ILO) dengan presentase tertentu yang
detilnya dapat dilihat pada matriks hubungan antara CLO MK Analisis Data Kategori
dan ILO yang disajikan pada Tabel 1.
Tabel 1. Matriks Hubungan antara CLO dan ILO MK Statistika Matematika II
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
CLO1 0.3 0 0.2 0.125 0.125 0.125 0 0.125
P2RP-LP3M UB
CLO2 0.3 0 0.2 0.125 0.125 0.125 0 0.125
CLO3 0.3 0 0.2 0.125 0.125 0.125 0 0.125
CLO4 0.3 0 0.2 0.125 0.125 0.125 0 0.125
CLO5 0.3 0 0.2 0.125 0.125 0.125 0 0.125
CLO6 0.3 0 0.2 0.125 0.125 0.125 0 0.125
2 Strategi Pembelajaran
Perkuliahan pada semester ini dilaksanakan secara luring pada awal semester genap
sampai sebelum UTS, selanjutnya setelah UTS (setelah 16 maret 2020), semua
perkuliahan dilaksanakan secara daring termasuk MK Analisis Data Kategori. Hal ini
disebabkan karena adanya pandemic Covid-19. Perkuliahan ini menyajikan materi yang
bersifat pemahaman konsep teori dan terapan pada data kategori. Strategi pembelajaran
dibagi menjadi dua yaitu pada saat luring dan saat daring, sebagai berikut:
(a) Luring (Sebelum UTS)
- Pada awal perkuliahan disampaikan kontrak kuliah yang meliputi : materi,
referensi, sistem penilaian, tata tertib dalam perkuliahan
- Memberikan materi perkuliahan di awal perkuliahan atau paling lambat satu
minggu sebelum materi perkuliahan diberikan dan meminta mahasiswa untuk
mempelajari materi tersebut.
- Memberikan beberapa pertanyaan sebelum peyampaian materi untuk
mengetahui sejauh mana mahasiswa mempersiapkan materi perkuliahan.
- Menjelaskan materi secara detil baik secara teori maupun dengan contoh kasus
- Memberikan kesempatan bertanya pada mahasiswa
- Memberikan tugas kelompok pada mahasiswa yaitu mencari permasalahan pada
kasus sebarang dan menyelesaikan sesuai dengan teori yang sedang dipelajari
- Membahas tugas kelompok dan meminta tanggapan atau saran dari mahasiswa
yang lain
(b) Daring (Setelah UTS)
- Melakukan koordinasi dengan koordinator kelas dan meminta semua
mahasiswa peserta MK Analisis Data Kategori untuk bergabung dalam google
classroom
- Menyediakan akses materi/tugas/kuis/UTS/UAS sebelum perkuliahan (dalam
file pdf/ppt) forum di Google Classroom.
- Meminta mahasiswa untuk mempelajari setiap materi perkuliahan sebelum
perkuliahan daring dimulai
- Memberikan penjelasan secara detil melalui zoom meeting atau google meeting
jika mahasiswa mengalami kendala atau kesulitan dalam mepelajari materi
- Memberikan kesempatan bertanya pada mahasiswa
- Meminta masukan dari mahasiswa selama sesi penyajian materi mengenai
perlunya dosen menjelaskan ulang atau memperlambat kecepatan di dalam
menjelaskan.
- Menyiapkan tugas di google classroom pada setiap akhir sub bab materi dan
dikumpulkan paling lambat satu hari sebelum perkuliahan minggu berikutnya.
P2RP-LP3M UB
Mahasiswa diperkenankan untuk membukan catatan atau diskusi dengan
mahasiswa yang lain.
- Memberikan post test (satu atau dua kasus relevan) untuk mengukur pemahaman
akan materi yang sudah disajikan. Beda dengan tugas, post test ini diberikan
waktu untuk mengerjakannya paling lama 15 menit.
- Membahas tugas atau post test, jika ada kesulitan atau kendala dalam
penyelesaiannya.
- Mengaktifkan peran asisten untuk memberi penjelasan dan latihan tambahan
kepada mahasiswa pada sesi responsi
3 Pengelolaan Perkuliahan
Mata kuliah ini adalah mata kuliah 3 sks dengan responsi. Pertemuan terjadwal satu
minggu sekali (3 kali 50 menit) selama 14 minggu, dan 8 kali responsi oleh asisten
(masing – masing 50 menit). Untuk UTS dilaksanakan terjadwal setelah 7 kali
pertemuan, sedangkan UAS juga dilaksanakan terjadwal setelah pertemuan ke 14.
Perkuliahan:
- Jadwal: Pertemuan dijadwalkan setiap hari Jum’at, jam 7.30 – 10.10 WIB.
- Pada setiap pertemuan, mahasiswa diberikan kesempatan bertanya mengenai
materi pada pertemuan sebelumnya. Selanjutnya pada saat luring, dosen
pengajar memberikan satu atau dua pertanyaan untuk mengetahui apakah
mahasiswa sudah mempelajari materi sebelum perkuliahan dimulai. Pada saat
daring, dosen akan menjelaskan secara detil tentang materi yang dirasa perlu
penjelasan lebih detil atau jika mahasiswa mengalami masalah atau kendala
dalam mempelajari materi tersebut. Pada saat luring, dosen menyajikan materi
pada dua sks pertama, selanjutnya satu sks terakhir digunakan mahasiswa untuk
berlatih soal, menerapkan konsep yang sudah dijelaskan pada kasus yang
berbeda. Sedangkan pada saat daring, latihan soal diberikan sebagai tugas di
akhir pertemuan dan akan dibahas pada pertemuan berikutnya.
- Setiap pertemuan mempunyai capaian pembelajaran yang spesifik sesuai materi
yang disampaikan. Untuk mengukur ketercapaiannya, telah dirancang
pemberian post test atau tugas. Hasil post test atau tugas tersebut dijadikan
bahan evaluasi, untuk mengulang bagian – bagian yang dirasa perlu pada
pertemuan selanjutnya. Sesuai yang dirancang pada RPS, untuk mata kuliah ini
diberikan beberapa asesesment dengan materi dan bobot setiap assessment
terhadap nilai akhir seperti yang tersaji pada Tabel 2. Semua bentuk penilaian di
atas harus dikerjakan secara mandiri oleh mahasiswa
Responsi
- Asisten yang memegang kelas responsi adalah: Femy Rahayu Quientania dan
Ratih Kartika Rahmatulnissa
- Responsi diselenggarakan secara luring (sebelum UTS) dan daring (setelah
UTS), karena tidak memerlukan lab komputer
- Diselenggarakan dengan tujuan pemantapan materi, melalui sesi diskusi dengan
asisten dan latihan pengayaan soal.
P2RP-LP3M UB
- Materi setiap minggunya adalah hasil diskusi dengan dosen, sesuai dengan
kecepatan penyampaian materi perkuliahan setiap minggunya.
- Jadwal: Responsi dilaksanakan setiap hari Selasa, jam 9.20 – 10.20.
- Responsi diselenggarakan 8 kali, dan baru dapat dimulai pada minggu ke 5
(kebijakan PS untuk memberi waktu dalam penjaringan asisten dan akumulasi
materi dari dosen) dan tidak dilaksanakan selama minggu UTS (8 dan 9) dengan
rincian meteri setiap minggu sebagai berikut:
1. Minggu ke-5: Analisis Tabel kontingensi
2. Minggu ke-6: Uji Asosiasi pada tabel Kontingensi
3. Minggu ke-7: Model Peluang Linier
4. Minggu ke-10: Pemberian Tugas Responsi I
5. Minggu ke-11: Membahas jawaban tugas I yang diberikan minggu
sebelumnya
6. Minggu ke-12: Regresi Logistik dan Probit
7. Minggu ke-13: Regresi Gompit serta pemberian tugas responsi II
8. Minggu ke-14: Regresi loglinier
4 Isi Perkuliahan
- Pengantar Statistika parametrik dan uji nonparametrik untuk dua dan k populasi
- Analisis tabel kontingensi
- Uji asosiasi pada tabel kontingensi
- Prinsip-prinsip dasar penggunaan model analisis data kategorik dengan peubah
respon biner
- Model peluang bagi data kategorik (binomial, multinomial, poisson), peluang
bersama, marginal dan bersyarat serta uji parameter dan pengujian hipotesis
- Model regresi logistik, probit dan gompertz dengan peubah respon biner bagi
tabel kontingensi, pendugaan parameter dengan MKT tertimbang, pengujian
hipotesis dan validasi model
- Model loglinier bagi tabel kontingensi, pendugaan parameter dan pengujian
hipotesis serta pemilihan model terbaik (validasi model)
Kesesuaian antara materi perkuliahan yang dirancang pada kurikulum dengan
prakteknya dapat dilihat pada Lampiran 1.
5 Peserta Kuliah
Mata kuliah ini adalah mata kuliah wajib yang diikuti oleh Mahasiswa Program Studi
Sarjana Statistika FMIPA UB, angkatan 2018. Untuk Analisis Data Kategori kelas B
diikuti oleh 41 mahasiswa.
6 Persentase Kehadiran
Kehadiran dosen adalah 100% sedangkan kehadiran mahasiswa rata – rata sebesar 99%
7 Sistem Evaluasi
- Evaluasi per dua minggu dilakukan melalui pemberian tugas. Setiap tugas
P2RP-LP3M UB
mencakup dua pertemuan. Tugas diberikan per dua minggu karena rata-rata
satu topik materi selesai dalam dua minggu. Tujuan dari evaluasi ini adalah
untuk menggali pemahaman mahasiswa apakah sudah sesuai dengan tujuan
perkuliahan di setiap minggu/pertemuan. Hasil tugas dimanfaatkan dosen untuk
membahas ulang materi yang dirasa kurang pemahamannya.
- Evaluasi beberapa materi melalui Kuis yang mengukur pemahaman dari 3 atau 4
pertemuan. Tipe soal menyerupai soal UTS/UAS, sehingga mahasiwa
mempunyai bayangan mengenai persiapan menghadapi UTS/UAS. UTS dan
UAS dilakukan secara daring.
- Evaluasi materi sampai dengan tengah semester melalui UTS, yang
diselenggarakan secara terjadwal.
- Evaluasi materi setelah tengah semester sampai dengan akhir semester melalui
UAS, yang diselenggarakan secara terjadwal.
- Evaluasi hasil responsi, yang diberikan oleh asisten. Aspek penilaian adalah
keaktifan dan pemahaman materi dari tugas – tugas pengayaan yang diberikan
asisten. Asistem menentukan tipe soal pada tugas pengayaan setelah
berkonsultasi terlebih dahulu dengan dosen.
Pada minggu UTS dan UAS seluruh kegiatan perkuliahan diliburkan, sehingga
mahasiswa konsentrasi untuk menghadapi UTS/UAS.
Soal untuk seluruh tipe evaluasi dibuat standar/sama untuk kelas pararel, yang
merupakan hasil diskusi dari tim pengajar. Materi yang dievaluas untuk setiap
asessment dan bobotnya dapat dilihat pada Tabel 2.
Tabel 2. Asesmen dan materi yang diukur, serta pembobotan setiap assessment terhadap
nilai akhir dan Capaian Pembelajaran Mata Kuliah (Course Learning Outcome – CLO)
Asesment Materi
Bobot
terhadap
Nilai
akhir
CLO 1 CLO 2 CLO 3 CLO 4 CLO5 CLO 6
Bobot Asesment terhadap CLO (Course Learning
Outcome)
Tugas 1 Analisis Tabel
Kontingensi 0.03
1
Tugas 2 Uji Asosiasi 0.03 1
Tugas 3 Model Peluang
Linier 0.03
0.5 0.5
Tugas 4 Regresi logistic,
Probit, Gompit 0.03
1
Tugas 5 Regresi Loglinier 0.03 0.5 0.5
Kuis 1
Analisis Tabel
Kontingensi; Uji
Asosiasi
0.2
0.5 0.5
Post test 1 Regresi Logistik 0.1 0.167 0.167 0.167 0.167 0.167 0.167
Responsi
Analisis Tabel
Kontingensi; Uji
Asosiasi; Model
Peluang Linier;
Regresi logistic,
Probit, Gompit;
0.1
0.5 0.5
P2RP-LP3M UB
Regresi Loglinier
UTS 1
Analisis Tabel
Kontingensi; Uji
Asosiasi;
0.2
0.25 0.25 0.25 0.25
UTS 2
Model Peluang
Linier; Regresi
logistic, Probit,
Gompit; Regresi
Loglinier
0.2
1
8 Pengamatan Kelas
Di dalam perkuliahan secara luring, mahasiswa aktif berpartisipasi baik itu di dalam
mengajukan pertanyaan maupun bersedia maju ke depan untuk menyelesaikan kasus di
white board. Sayangnya hanya sekitar 40-50% dari mahasiswa saja yang berpartisipasi
aktif. Secara tidak langsung mahasiswa sudah mempunyai pola di dalam pengaturan
tempat duduk mereka di dalam kelas. 40-50% mahasiswa dalam kategori aktif ini
adalah mahasiswa yang duduk di dua barisan terdepan, sedangkan mahasiswa yang
duduk di 3 baris belakangnya teramati lebih bersifat pasif. Beberapa pengamatan bagi
mahasiswa yang bersifat pasif ini:
- Berpandangan kosong di kelas, tidak ada respons ketika diminta informasi
mengenai pemahaman mereka
Hanya “menonton” penjelasan dan penurunan rumus yang dilakukan dosen di white
board, tanpa membuat catatan atau mencoba sendiri. Ada bahkan di antara mereka yang
tidak membuka catatan apapun di atas bangku kuliah.
Untuk mengantisipasi kecepatan pemahaman yang tidak seragam, maka dosen mengatur
ulang waktu penyampaian, sesuai dengan observasi mengenai pemahaman mahasiswa.
Oleh sebab itu ada beberapa materi yang diundurkan waktu penyampaiannya pada
minggu setelah jadwal yang seharusnya, tanpa mengurangi keseluruhan materi yang
harus disampaikan.
Sedangkan perkuliahan secara daring, keaktifan mahasiswa diamati dari beberapa
mahasiswa yang memberikan respon atau pertanyaan secara daring dari materi atau
tugas yang telah dipelajari sebelumnya. Namun hanya sekitar 12 -24% mahasiswa yang
aktif.
9 Hasil Belajar
Hasil belajar setiap mahasiswa tercermin dari nilai di setiap assessment. Nilai – nilai
tersebut dengan bobot masing – masing diolah menjadi nilai akhir, yang nantinya sesuai
dengan aturan konversi, dirubah menjadi nilai angka yang dicetak pada KHS/Transkrip
mahasiswa. Selain diolah menjadi nilai akhir, nilai di setiap assessment, dengan
memperhatikan persentase kontribusi CLO terhadap setiap ILO (Tabel 1) dan bobot
setiap assessment terhadap CLO (Tabel 2), diolah dengan bantuan software OBES,
sehingga setiap mahasiswa juga mempunyai nilai di setiap CLO dan ILO.
P2RP-LP3M UB
Deskripsi nilai dari setiap CLO dapat dilihat pada Tabel 3, dan Gambar 1. Gambar 1 (a)
menyajikan indeks capaian rata – rata mahasiswa pada masing – masing CLO. Gambar
1 (b) menyajikan persentase mahasiswa dengan nilai capaian di atas 60. Pada kedua
gambar, setiap sudut dari segi lima merepresentasikan setiap CLO, dan lintasan segi
lima terluar menunjukkan capaian yang paling tinggi. Semakin luar posisi garis biru,
maka semakin tinggi indeks capaian dari suatu CLO.
Sesuai dengan kategori capaian yang tersaji pada Tabel 4, dapat disimpulkan beberapa
hal berikut ini:
- Selain CLO1 (konsep analisis nonparametrik) dan CLO2 (konsep analisis tabel
kontingensi) yang berada pada kategori satisfactory, CLO yang lain berada pada
kategori excellent
- Semua persentase Capaian pembelajaran mahasiswa (CLO1 – CLO6)
memperoleh nilai capaian di atas 60 dan bernilai sama kecuali pada CLO 2
(100%). Hal ini berarti semua mahasiswa memahami konsep analisis tabel
kontingensi baik secara teori maupun terapan.
- Semua CLO berada pada kategori persentase tinggi (HIGH) dalam hal
banyaknya mahasiswa dengan nilai capaian di atas 60.
Tabel 3. Deskripsi Nilai dan Kategori Capaian untuk Setiap CLO MK Analisis Data
Kategori
CLO1 CLO2 CLO3 CLO4 CLO5 CLO6
Rata - rata 76.9 79.5 80.34 80.34 80.34 80.34
Kategori Capaian SATISFA
CTORY
SATISFA
CTORY
EXCELL
ENT
EXCELL
ENT
EXCELL
ENT
EXCELL
ENT
Banyaknya mahasiswa
dengan CLO>60 37 41 37 37 37 37
Persentase mahasiswa
dnegan CLO>60 90.24 100 90.24 90.24 90.24 90.24
Kategori Persentase HIGH HIGH HIGH HIGH HIGH HIGH
Tabel 4. Kategori nilai CLO/ILO, dan Kategori Persentase Mahasiswa yang mencapai
CLO/ILO >60
Kategori nilai CLO/ILO Kategori persentase mhs dengan CLO/ILO>60
Skor >=80 EXCELLENT Persen>=70 HIGH
65<= Skor <80 SATISFACTORY 60 <= Persen < 70 MEDIUM
50<= Skor <65 DEVELOPING 50 <= Persen < 60 LOW
0<= Skor <50 UNSATISFACTORY Persen < 50 VERY LOW
P2RP-LP3M UB
(a) (b)
Gambar 1. Visualisasi (a) indeks capaian dan (b) presentasi mahasiswa dengan capaian
>60 di setiap CLO MK Analisis Data Kategori
Selain nilai untuk capaian pembelajaran mata kuliah (CLO), dapat dianalisis pula nilai
dari setiap ILO yang didukung oleh mata kuliah ini. Deskripsi mengenai pencapaian
ILO dari mata kuliah ini disajikan pada Tabel 5, dan Gambar 2. Gambar 2 (a)
menyajikan indeks capaian rata – rata mahasiswa pada masing – masing ILO yang
didukung oleh mata kuliah ini. Gambar 2 (b) menyajikan persentase mahasiswa dengan
nilai capaian di atas 60. Pada kedua gambar, setiap sudut dari segi delapan
merepresentasikan setiap ILO, dan lintasan segi delapan terluar menunjukkan capaian
yang paling tinggi. Semakin luar posisi garis biru, maka semakin tinggi indeks capaian
dari suatu ILO.
Beberapa hal yang dapat disimpulkan dari dukungan mata kuliah ini terhadap Capaian
Pembelajaran Program Studi (ILO):
- Semua ILO yang berada pada kategori capaian Satisfactory yaitu:
ILO 1: Menguasai konsep dasar keilmuan dan metode analisis statistika yang
dapat diaplikasikan pada bidang komputasi, sosial humaniora, ekonomi, industri
dan hayati.
ILO 3: Mampu mengelola dan menganalisis data, menyelesaikan permasalahan
nyata menggunakan metode statistika di bidang komputasi statistika, sosial
humaniora, ekonomi, industri dan hayati dengan bantuan perangkat lunak, serta
menyajikan dan mengkomunikasikan hasilnya.
ILO 4: Menguasai minimal dua perangkat lunak statistika, termasuk yang
berbasis open source.
ILO 5: Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif
secara mandiri, dengan hasil yang bermutu dan terukur dalam implementasi
ilmu pengetahuan dan teknologi yang menerapkan nilai humaniora berdasarkan
kaidah, tata cara dan etika ilmiah
ILO 6: Mampu mengambil keputusan secara tepat dalam menyelesaikan
0
20
40
60
80
100CLO1
CLO2
CLO3
CLO4
CLO5
CLO6
Weighted-avg-based CLO's AI
Achievement Index of MAS62221
85
90
95
100CLO1
CLO2
CLO3
CLO4
CLO5
CLO6
Student num-based CLO's AI
Achievement Index of MAS62221
P2RP-LP3M UB
masalah di bidang keahliannya berdasarkan hasil analisis informasi dan data
ILO 8: Mampu menerapkan dan menginternalisasi semangat kemandirian,
kejuangan, kewirausahaan berdasarkan nilai, norma, dan etika akademik serta
nilai Pancasila dalam segala aspek kehidupan.
Walaupun tidak semua mahasiswa memperoleh nilai capaian di atas 60 untuk semua
ILO tersebut, namun kategori persentase mahasiswa dengan nilai capaian di atas 60
masih HIGH.
Tabel 5. Deskripsi Nilai dan Kategori Capaian untuk Setiap ILO yang didukung oleh
MK Analisis Data Kategori
ILO1
IL
O2 ILO3 ILO4 ILO5 ILO6
IL
O7 ILO8
Rata - rata
terboboti 0.3
0.2 0.125 0.125 0.125
0.125
Kategori
Capaian 78.93
78.93 78.93 78.93 78.93
78.93
Banyaknya
mahasiswa
dengan
ILO>60
SATISFA
CTORY
SATISFA
CTORY
SATISFA
CTORY
SATISFA
CTORY
SATISFA
CTORY
SATISFA
CTORY
Persentase
mahasiswa
dnegan
ILO>60 39
39 39 39 39
39
Kategori 95.12
95.12 95.12 95.12 95.12
95.12
(a) (b)
Gambar 2. Visualisasi (a) indeks capaian dan (b) presentasi mahasiswa dengan capaian
>60 di setiap ILO yang didukung oleh MK Analisis Data Kategori
10 Kendala
- Kemampuan/pemahaman mahasiswa mengenai teori peluang dan kalkulus yang
kurang, di mana kedua hal topik tersebut adalah dasar untuk memahami materi
0
20
40
60
80
100ILO1
ILO2
ILO3
ILO4
ILO5
ILO6
ILO7
ILO8
Weighted-avg-based ILO's AI
Achievement Index of MAS62221
92
94
96
98
100ILO1
ILO2
ILO3
ILO4
ILO5
ILO6
ILO7
ILO8
Student num-based ILO's AI
Achievement Index of MAS62221
P2RP-LP3M UB
di MK ini
- Harus diselenggarakannya kuliah secara online pada paruh semester kedua, yang
mengurangi keleluasaan dosen untuk menurunkan rumus – rumus secara detil.
Setting kuliah secara online juga mempersulit dosen untuk menggali
pemahaman mahasiswa, yang dapat dilakukan ketika bertemu langsung.
11 Distribusi Nilai
Nilai akhir diperoleh dari pembobotan seluruh komponen penilaian/asessment seperti
yang disajikan pada kolom tiga di Tabel 2. Sedangkan statistika deskriptif dari nilai
akhir dapat dilihat di Tabel 6. Rata – rata nilai akhir mahasiswa adalah 78.9, dengan
kurang dan lebihnya 0 poin dari rata – rata tersebut. Terdapat satu mahasiswa dengan
nilai paling rendah (55.2), dan nilai tertinggi (89.4) dicapai oleh 1 mahasiswa.
Tabel 6. Statistika Deskriptif Nilai Akhir Analisis Data Kategori 2019/2020
Statistik Nilai
Rata rata 78.9
Median 81.0
Simpangan
baku 8.0
Range 34.3
Minimum 55.2
Maximum 89.4
Setelah dikonversi menjadi nilai huruf sesuai standar konversi penilaian, sebaran nilai
huruf dapat dilihat pada Gambar 3. Gambar tersebut menunjukkan bahwa terdapat lebih
dari separuh mahasiswa memiliki nilai di atas C, persentase terbesar ada pada nilai C+.
Hal ini berarti bahwa sebagian besar kemampuan mahaisswa dalam kategori cukup.
Perhatian lebih harus diberikan kepada mahasiswa dengan nilai D, agar dapat
mengulang mata kuliah ini di semester regular maupun semester pendek, agar terhindar
dari aturan nilai D yang tidak lebih dari 10% total sks di akhir studinya.
Gambar 3. Sebaran nilai akhir huruf MK Analisis Data Kategori 2019/2020
66%
17%
2%
10% 5%
0% 0% 0% 0%
10%
20%
30%
40%
50%
60%
70%
A B+ B+ C+ C D+ D E
Per
sen
Nilai
Persen Nilai Huruf
P2RP-LP3M UB
12 Kesimpulan
- Dengan segala kendala dan kemampuan dasar mahasiswa yang sudah “given”
nilai akhir yang diperoleh masih mencerminkan bahwa strategi dan cara
pembelajaran dapat diterima dengan baik oleh sebagian besar mahasiswa.
- Sedikit melesetnya rencana jadwal penyampaian materi dengan realisasinya,
yang awalnya bertujuan untuk menyesuaikan kecepatan dengan kemampuan
mahasiswa, malah mengorbankan waktu pembahasan di materi tertentu,
sehingga hasil pembelajaran di materi tersebut menjadi tidak optimal.
13 Rekomendasi Perbaikan
- Perkuliahan di kelas (luring), lebih mudah paham
- Perlu penjelasan saat selesai pemberian tugas
- Memberikan toleransi waktu bagi mahasiswa yang terkendala masalah jaringan.
- Perlu mempertimbangkan soal uas dan uts yang cenderung banyak dan sulit
- Memberikan contoh penerapan dalam kasus agar tidak bingung saat
mengerjakan tugas
- Perlu lebih disesuaikan lagi soal di kuis dan materi yang diberikan selama
perkuliahan
- Perlu diskusi waktu dengan mahasiswa pada pelaksanaan kuis
- Perlu lebih memotivasi mahasiswa agar mahasiswa mendapat semangat belajar
yang tinggi untuk menguasai materi yang diajarkan.
P2RP-LP3M UB
Lampiran 1
Mi
ngg
u
ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8
dan
9
10 11 12 13 14 15 16 17
1 Kontrak kuliah,
Pengenalan integral
tertentu, penggunaan
integral tertentu,
gambar dan
menghitung luas
suatu daerah
Kontr
ak
Kulia
h
2 Pengantar Statistika
parametrik dan uji
nonparametrik untuk
dua dan k populasi
sebaran marjinal,
Tabel
konti
ngens
i, Uji
Asosi
asi
3 Analisis tabel
kontingensi
Uji
kebeb
asan
data
ordin
al
4 Analisis tabel
kontingensi
Uji
asosia
si
tabel
konti
ngens
i pada
data
P2RP-LP3M UB
Mi
ngg
u
ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8
dan
9
10 11 12 13 14 15 16 17
kecil
5 Uji asosiasi pada
tabel kontingensi
Mend
eteksi
perm
asala
han
ketida
kbeba
san
pada
tabel
konti
ngens
i
6 Uji asosiasi pada
tabel kontingensi
Mend
eteksi
perm
asala
han
ketida
kbeba
san
pada
tabel
konti
ngens
i
7 Kuis Kuis
P2RP-LP3M UB
Mi
ngg
u
ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8
dan
9
10 11 12 13 14 15 16 17
8
dan
9
UT
S
10 Prinsip-prinsip dasar
penggunaan model
analisis data
kategorik dengan
peubah respon biner
untuk dikembangkan
ke peubah respon
politomus, data
variabel respon tanpa
asumsi distribusi
normal dan Model
peluang bagi data
kategorik (binomial,
multinomial,
poisson), peluang
bersama, marginal
dan bersyarat serta uji
parameter dan
pengujian hipotesis
Mode
l
Pelua
ng
Linier
P2RP-LP3M UB
Mi
ngg
u
ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8
dan
9
10 11 12 13 14 15 16 17
11 Prinsip-prinsip dasar
penggunaan model
analisis data
kategorik dengan
peubah respon biner
untuk dikembangkan
ke peubah respon
politomus, data
variabel respon tanpa
asumsi distribusi
normal dan Model
peluang bagi data
kategorik (binomial,
multinomial,
poisson), peluang
bersama, marginal
dan bersyarat serta uji
parameter dan
pengujian hipotesis
Regre
si
Logis
tik
P2RP-LP3M UB
Mi
ngg
u
ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8
dan
9
10 11 12 13 14 15 16 17
12 Model regresi
logistik, model
regresi probit dan
model regresi
gompertz dengan
peubah respon biner
bagi tabel
kontingensi,
pendugaan parameter
dengan MKT
tertimbang, pengujian
hipotesis dan validasi
model
Regresi
Probit
13 Model regresi
logistik, model
regresi probit dan
model regresi
gompertz dengan
peubah respon biner
bagi tabel
kontingensi,
pendugaan parameter
dengan MKT
tertimbang, pengujian
hipotesis dan validasi
model
Regresi
Gompit
P2RP-LP3M UB
Mi
ngg
u
ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8
dan
9
10 11 12 13 14 15 16 17
14 Model loglinier bagi
tabel kontingensi,
pendugaan parameter
dan pengujian
hipotesis serta
pemilihan model
terbaik (validasi
model)
Kuis
15 Model loglinier bagi
tabel kontingensi,
pendugaan parameter
dan pengujian
hipotesis serta
pemilihan model
terbaik (validasi
model)
Regresi
Loglinie
r
16 Kuis
Review
Semua
materi
P2RP-LP3M UB
Mi
ngg
u
ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8
dan
9
10 11 12 13 14 15 16 17
17 UAS
UA
S
Kehadiran (%) 98% 98% 100% 100% 98% 96% 100% 100% 100% 100% 100% 100% 100% 100%
P2RP-LP3M UB
Lampiran 2. Daftar Rincian Nilai
NIM Nama ABS1 Q1 T1 T2 T3 T4 T5 P1 UTS1 UAS1
'185090500111033 Diana Safitri 85 77.5 85 85 85 85 85 91.65 62.5 87.5
'185090500111034 Kavilatul Bariroh 85 35 85 85 85 85 85 93.8 55 60
'185090500111035 Lailatul Hasanah 85 35 85 85 85 85 85 89 70 27.5
'185090500111037 M. Samudra Putra Veridayanto 85 90 85 85 85 85 85 93.7 72.5 82.5
'185090500111038 Arif Rachmandani 85 62.5 85 85 85 85 85 93.45 75 82.5
'185090500111039 I Wayan Adi Arta Laksana 85 87.5 85 85 85 85 85 94 100 85
'185090500111040 Adinda Sekar Ayu 85 80 85 85 85 85 85 93.675 77.5 82.5
'185090500111041 Nur Fitachati Diana 85 72.5 85 85 85 85 85 92.8 75 37.5
'185090500111045 Victoria Miranda Yosepha Panjaitan 79 77.5 85 85 85 85 85 91.325 72.5 77.5
'185090500111046 Sonya Milenita Alpreda 85 65 85 85 85 85 85 92.2 87.5 87.5
'185090500111047 Tenti Amelya 85 90 85 85 85 85 85 93 77.5 80
'185090501111002 Balqis Sundusiyah 85 75 85 85 85 85 85 88.7 75 85
'185090501111004 Eka Retnoningati 85 32.5 85 85 85 85 85 89.85 57.5 75
'185090501111005 Jeni Indah Rahmawati 85 67.5 85 85 85 85 85 91.4 77.5 67.5
'185090501111007 Kristina Dwi Yulianti 85 40 85 85 85 85 85 92.3 42.5 42.5
'185090501111008 Leony Kumala Trisnawati 85 85 85 85 85 85 85 90.1 77.5 60
'185090501111012 Amilatul Ilmi 85 80 85 85 85 85 85 91.6 62.5 85
'185090501111013 Ifa Choirun Nisa' 85 85 85 85 85 85 85 94.05 77.5 50
'185090501111014 Indah Retnowati 85 77.5 85 85 85 85 85 90.8 75 80
'185090501111017 Sahiradewi Daffana Parahitasari 85 92.5 85 85 85 85 85 93.4 77.5 82.5
'185090501111018 Elok Pratiwi 85 90 85 85 85 85 85 93.3 77.5 82.5
'185090501111019 Pratiwi Dwi Yanti 85 92.5 85 85 85 85 85 93 77.5 85
'185090501111020 Lailatul Fitria 85 75 85 85 85 85 85 91.95 65 80
'185090501111023 Avida Zahra 85 70 85 85 85 85 85 96.1 77.5 95
'185090501111024 Ira Humairo 85 75 85 85 85 85 85 91.4 77.5 82.5
'185090501111026 Riska Melani Fresdianti 85 80 85 85 85 85 85 95.7 77.5 80
P2RP-LP3M UB
NIM Nama ABS1 Q1 T1 T2 T3 T4 T5 P1 UTS1 UAS1
'185090501111030 Isaac Dwadattusyah Haikal Azziz 85 85 85 85 85 85 85 95.9 77.5 90
'185090501111031 Cindy Veronica Rofi`Atin 85 87.5 85 85 85 85 85 93.25 82.5 82.5
'185090501111033 Henida Ratna Ayu Putri 85 95 85 85 85 85 85 93.8 77.5 92.5
'185090501111036 Putu Wiwin Andrini 85 92.5 85 85 85 85 85 92.7 57.5 85
'185090507111012 Intan Nur Alfiah 85 77.5 85 85 85 85 85 92.6 57.5 42.5
'185090507111014 Carmelia Nabila Permatasari 85 80 85 85 85 85 85 92.9 72.5 77.5
'185090507111015 Tubagus Lintang Trenggono 85 65 85 85 85 85 85 94.6 92.5 82.5
'185090507111017 Muhammad Farhan Fadhilah 85 90 85 85 85 85 85 92 75 82.5
'185090507111018 Roro Nurfauziah Amini 85 80 85 85 85 85 85 93.2 92.5 80
'185090507111022 Rizky Dwi Saputra 85 82.5 85 85 85 85 85 92.9 75 77.5
'185090507111028 Vincentia Septya Putri 85 70 85 85 85 85 85 91.9 77.5 82.5
'185090507111031 Muhammad Panca Hikmawanto 85 70 85 85 85 85 85 65.75 77.5 77.5
'185090507111032 Reza Panduwaskita 85 80 85 85 85 85 85 90.5 77.5 92.5
'185090519111001 Saphira Kusbandiyah 85 60 85 85 85 85 85 90.2 87.5 82.5