Post on 18-Jan-2023
Portofolio Perkuliahan
UNIVERSITAS BRAWIJAYA
FAKULTAS MIPA
JURUSAN STATISTIKA / PROGRAM STUDI SARJANA
STATISTIKA
Mata Kuliah:
Analisis Data
Eksploratori
Kode:
MAS4228
RMK:
Ilmu Hayati
Semester:
Genap
Dosen Dr. Adji Achmad Rinaldo Fernandes S.Si., M.Sc.
Pendahuluan
Mata kuliah Analisis Data Eksploratori adalah mata kuliah yang sudah diampu oleh dosen
pengajar secara profesional. Selama mengajar mata kuliah ini diberikan dua metode yakni secara
teoritis dan praktek (baik Software R, Minitab, SPSS, dsb.) sehingga dosen dapat menyampaikan
materi dengan efektif kepada mahasiswa. Dalam mengevaluasi hasil akhir pemahaman dalam
penerapan tugas yang diberikan kepada mahasiswa, maka akan kembali kepada kemampuan
dasar mahasiswa dan pemahaman setiap individu terhadap mata kuliah-mata kuliah pendukung.
Namun hal tersebut menjadi tantangan bagi dosen pengajar dengan tetap mempelajari karakter
tiap individu mahasiswa yang menjadi kendala di dalam pemahaman mereka, dan akan
mengubah bentuk strategi pengajaran apabila diperlukan.
1 Tujuan
Tujuan Umum:
Mata kuliah ini diajarkan supaya mahasiswa mampu menjelaskan konsep-konsep dasar data
eksploratori dengan statistika deskriptif, analisis statistika deskriptif dengan tabel,
histogram, diagram dahan daun, boxplot serta mampu mendeteksi data pencilan pada kasus
riil, analisis dengan metode QQ-plot dan pemulusan kernel serta menerapkan pada kasus
riil, analisis garis resisten, penduga robust dan regresi robust serta menerapkan pada kasus
riil, memiliki ketrampilan menyelesaikan kasus tabel dua arah dan tiga arah serta
menerapkan pada kasus riil, kasus eksplorasi data peubah ganda.
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 dapat
diaplikasikan pada bidang komputasi, sosial humaniora, ekonomi, industri dan
hayati.
- ILO 2: Mampu menyusun dan atau memilih rancangan pengumpulan/
pembangkitan data secara efisien dan menerapkan dalam bentuk survei, percobaan,
atau simulasi.
- 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 7: Mampu memelihara dan mengembangkan jaringan kerja, serta melakukan
supervisi dan evaluasi terhadap kinerja tim yang dipimpinnya.
- 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 Eksploratori ini adalah:
- CLO 1: Mahasiswa mampu memahami dan menjelaskan konsep-konsep dasar
eksplorasi data dengan statistika deskriptif (LO3, LO1, LO2, LO5, LO6, LO7, LO8)
- CLO 2: Mahasiswa mampu memahami, menjelaskan dan melakukan analisis
statistika deskriptif dengan tabel, histogram, diagram dahan daun, boxplot serta
mampu mendeteksi data pencilan pada kasus riil (LO3, LO1, LO2, LO5, LO6, LO7,
LO8).
- CLO 3: Mahasiswa mampu memahami, menjelaskan dan melakukan analisis
dengan metode QQplot dan pemulusan kernel serta menerapkan pada kasus riil
(LO3, LO1, LO4, LO5, LO8).
- CLO 4: Mahasiswa mampu memahami, menjelaskan dan melakukan analisis garis
resisten, penduga robust dan regresi robust serta menerapkan pada kasus riil (LO3,
LO1, LO4, LO5, LO8).
- CLO 5: Mahasiswa mampu memiliki ketrampilan menyelesaikan kasus tabel dua
arah dan tiga arah serta menerapkan pada kasus riil (LO3, LO1, LO4, LO5, LO6,
LO7, LO8).
- CLO 6: Mahasiswa mampu memiliki ketrampilan menyelesaikan kasus eksplorasi
data peubah ganda (LO3, LO1, LO4, LO5, LO6, LO7, LO8).
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 Eksploratori
dan ILO yang disajikan pada Tabel 1.
Tabel 1. Matriks Hubungan antara CLO dan ILO MK Analisis Data Eksploratori
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
CLO1 0.14 0.14 0.14 0.00 0.14 0.14 0.14 0.14
CLO2 0.14 0.14 0.14 0.00 0.14 0.14 0.14 0.14
CLO3 0.20 0.00 0.20 0.20 0.20 0.00 0.00 0.20
CLO4 0.25 0.00 0.00 0.25 0.25 0.00 0.00 0.25
CLO5 0.17 0.00 0.17 0.17 0.17 0.17 0.17 0.00
CLO6 0.14 0.00 0.14 0.14 0.14 0.14 0.14 0,14
2 Strategi Pembelajaran
Perkuliahan ini menyajikan materi yang bersifat teori dan konsep penerapan komputasi
pada pengolahan Data Eksploratori dengan menggunakan R, SPSS, dan Minitab..Untuk itu
digunakan strategi berikut ini:
- Menyediakan akses materi sebelum perkuliahan (dalam file pdf/ppt) yang dibagikan
melalui ketua kelas. Kemudian membentuk kelompok-kelompok belajar untuk
mengumpulkan tugas dan berdiskusi materi yang telah dipelajari.
- Menyajikan materi secara rinci, menyajikan beberapa contoh penerapan dalam
bentuk survei, percobaan, atau simulasi dengan penjelasan yang dapat diikuti secara
mandiri, disertai ilustrasi grafik jika perlu.
- Menyajikan materi di depan kelas dengan cara elaborasi detil seluruh teori yang
disajikan pada power point, dengan contoh-contoh terapan dengan menggunakan R,
SPSS, dan Minitab.
- Meminta tanggapan dari mahasiswa selama sesi penyajian materi mengenai
perlunya dosen menjelaskan ulang atau memperlambat kecepatan di dalam
menjelaskan apabila terdapat materi yang belum dipahami.
- Memberikan latihan kasus untuk dianalisis berdasarkan dengan contoh yang sudah
dijelaskan dosen. Dengan cara menyampaikan langkah-langkah yang harus
dilakukan untuk menganalisis data dengan menerapkan penerapan dalam bentuk
survei, percobaan, atau simulasi.
- Memberikan kuis trivia sesuai dengan materi yang telah disampaikan pada hari itu
dan harus dijawab oleh mahasiswa secara cepat dan tepat. Kemudian akan diberikan
poin (bintang) bagi mahasiswa yang menjawab dengan benar. Hal ini digunakan
untuk melatih kepahaman mahasiswa terhadap materi yang disampaikan dan poin
tersebut berguna untuk membantu nilai mahasiswa.
- Memberikan tugas untuk mencari data/kasus permasalahan dalam bentuk survei,
percobaan, atau simulasi yang dapat diolah dengan menggunakan R, Minitab, SPSS
sehingga memerlukan banyak waktu untuk elaborasi, maka harus dikerjakan di
rumah. Tugas ini dikerjakan baik secara individu maupun kelompok di rumah,
dengan masih memungkinkan untuk mengakses materi/catatan namun dilarang
plagiasasi milik teman dan kelompok lain.
- Menjelaskan ulang bagian-bagian yang dirasa kurang dipahami (dari hasil
pengerjaan tugas yang diberikan) pada pertemuan berikutnya.
3 Pengelolaan Perkuliahan
Mata kuliah ini adalah mata kuliah 2 sks. Pertemuan terjadwal satu minggu sekali (2 kali 50
menit) selama 14 minggu. Untuk UTS dilaksanakan terjadwal setelah 7 kali pertemuan,
sedangkan UAS juga dilaksanakan terjadwal setelah pertemuan ke 14. Pengelolaan
perkuliahan dilakukan sebagai berikut:
a. Jadwal: Pertemuan dijadwalkan setiap hari Kamis, jam 13.00-15.40 WIB. Pada
setiap pertemuan, mengingat materi perkuliahan yang menuntut konsentrasi tinggi
dari mahasiswa, dosen menyajikan materi pada dua sks pertama. 20 sampai 30
menit dari satu sks awal digunakan mahasiswa untuk berlatih dan berdiskusi secara
kelompok, menerapkan konsep komputasi statistika, sosial humaniora, ekonomi,
industri dan hayati dengan bantuan perangkat lunak yang sudah dijelaskan pada
kasus yang diberikan. Sedangkan 20 menit terakhir dimanfaatkan untuk melakukan
kuis trivia sesuai dengan materi yang disampaikan hari itu dengan jawaban yang
cepat dan tepat.
b. Setiap pertemuan mempunyai capaian pembelajaran yang spesifik sesuai materi
yang disampaikan. Untuk mengukur ketercapaiannya, telah dirancang pemberian
kuis trivia dan tugas yang dikerjakan baik secara individu maupun kelompok. Hasil
kuis trivia atau tugas tersebut dijadikan bahan evaluasi, untuk mengulang bagian-
bagian yang dirasa perlu dijelaskan kembali pada pertemuan selanjutnya. Sesuai
yang dirancang pada RPS, mahasiswa mengerjakan beberapa hal berikut ini sebagai
bentuk penilaian:
- Tugas 1 untuk memperdalam wawasan mengenai penerapan Analisis Data
Eksploratori dalam kehidupan sehari-hari dilakukan penerapan konsep peluang.
- Kuis 1 untuk menguji kemampuan mahasiswa mengenai pemahaman dan
penerapan konsep peubah acak dan distribusi peluang.
- Tugas 2 untuk memperdalam wawasan konsep analisis statistika dengan
pemahaman dan penerapan konsep Nilai Harapan
- Kuis 2 untuk menguji kemampuan mahasiswa mengenai analisis dengan
pemahaman dan penerapan Distribusi Peluang Diskrit
- Tugas 3 untuk memperdalam wawasan dan kemampuan ketrampilan dalam
menyelesaikan kasus penerapan Aplikasi Peluang dalam bentuk tugas tertulis
secara individu.
- Tugas 4 untuk memeperdalam wawasan dan kemampuan ketrampilan dalam
menyelesaikan kasus metode QQplot dan Pemulusan Kernel dalam bentuk tugas
tertulis secara individu
- Tugas 5 untuk memeperdalam wawasan dan kemampuan ketrampilan dalam
menyelesaikan kasus Garis Resisten dalam bentuk tugas tertulis secara individu
- Tugas 6 untuk memeperdalam wawasan dan kemampuan ketrampilan dalam
menyelesaikan kasus Penduga dan Regresi Robust dalam bentuk tugas tertulis
secara individu.
- Tugas 7 untuk memeperdalam wawasan dan kemampuan ketrampilan dalam
menyelesaikan kasus Penyelesaian tabel dua arah dan tiga arah dalam bentuk
tugas tertulis secara individu.
- Tugas 8 untuk memeperdalam wawasan dan kemampuan ketrampilan dalam
menyelesaikan kasus Eksplorasi data peubah ganda dalam bentuk tugas tertulis
secara individu.
Semua bentuk penilaian di atas harus dikerjakan baik secara individu maupun kelompok
oleh mahasiswa.
4 Isi Perkuliahan
1. Konsep dasar eksplorasi data dengan statistika deskriptif
2. Statistika deskriptif dengan tabel, histogram, diagram dahan daun
3. Boxplot serta deteksi pencilan
4. Metode QQplot dan Pemulusan Kernel
5. Garis Resisten
6. Penduga dan Regresi Robust
7. Penyelesaian tabel dua arah dan tiga arah.
8. Eksplorasi data peubah ganda.
Kesesuaian antara materi perkuliahan yang dirancang pada kurikulum dengan prakteknya
dapat dilihat pada Lampiran 1.
5 Peserta Kuliah
Mata kuliah ini adalah mata kuliah pilihan yang diikuti oleh Mahasiswa Program Studi
Sarjana Statistika FMIPA UB, angkatan 2019. Untuk Analisis Data Eksploratori kelas B
diikuti oleh 34 mahasiswa, dengan komposisi semua mahasiswa Angkatan 2019.
6 Persentase Kehadiran
Kehadiran dosen yakni sebesar 100% dan kehadiran mahasiswa yakni sebesar 100%.
7 Sistem Evaluasi
- Evaluasi per minggu melalui tugas dan kuis trivia yang diberikan pada tiap
pertemuan. Dalam pengerjaan tugas dilakukan secara individu maupun kelompok
dan untuk kuis trivia dapat dijawab secara individu berdasarkan ketanggapan dan
kemampuan menguasai materi oleh tiap mahasiswa. Tujuan dari evaluasi ini adalah
untuk menggali pemahaman mahasiswa apakah sudah sesuai dengan tujuan
perkuliahan di setiap minggu/pertemuan. Hasil dari kuis trivia dan tugas
dimanfaatkan dosen untuk membahas ulang materi yang dirasa kurang
pemahamannya.
- Evaluasi beberapa materi melalui Kuis yang mengukur kemampuan pemahaman
dari 3 atau 4 pertemuan yang diberikan sebelumnya. Tipe soal tersebut menyerupai
soal UTS/UAS baik dalam bentuk pemahaman konsep maupun soal tentang
perhitungan analisis data multivariat, sehingga mahasiwa mempunyai bayangan atau
gambaran mengenai persiapan menghadapi UTS/UAS.
- Evaluasi materi sampai dengan tengah semester melalui UTS, yang diselenggarakan
secara terjadwal oleh sistem akademik.
- Evaluasi materi setelah tengah semester sampai dengan akhir semester melalui
UAS, UAS akan diselenggarakan secara terjadwal oleh sistem akademik.
Pada minggu UTS dan UAS seluruh kegiatan perkuliahan diliburkan selama 2 minggu,
sehingga mahasiswa konsentrasi untuk menghadapi UTS/UAS.
Pemberian soal untuk seluruh tipe evaluasi dibuat standar/sama untuk kelas pararel, yang
merupakan hasil diskusi dari tim pengajar. Materi yang dievaluasi untuk setiap asessment
dan bobotnya dapat dilihat pada Tabel 2.
Pemberian soal untuk seluruh tipe evaluasi dibuat standar/sama untuk kelas pararel, yang
merupakan hasil diskusi dari tim pengajar. Materi yang dievaluasi 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)
Assessment Bobot terhadap
Nilai Akhir
CLO1 CLO2 CLO3 CLO4 CLO5 CLO6
Bobot Asesment terhadap CLO (Course Learning Outcome)
Absensi 0.05 0.2 0.2 0.1 0.2 0.2 0.1
Q1 0.10 0.0 1.0 0.0 0.0 0.0 0.0
Q2 0.10 0.0 0.0 0.5 0.5 0.0 0.0
T1 0.02 0.0 0.0 0.0 0.0 2.2 2.2
T2 0.02 0.0 0.0 1.8 1.8 2.2 2.2
T3 0.02 0.0 0.0 0.0 0.0 2.2 2.2
T4 0.02 0.0 0.0 1.8 1.8 2.2 2.2
T5 0.02 0.0 0.0 0.0 0.0 2.2 2.2
T6 0.02 0.0 0.0 1.8 1.8 2.2 2.2
T7 0.02 0.0 0.0 0.0 0.0 2.2 2.2
T8 0.02 0.0 0.0 1.8 1.8 2.2 2.2
UTS 0.30 0.4 0.6 0.0 0.0 0.0 0.0
UAS 0.30 0.0 0.0 0.2 0.2 0.3 0.3
8 Pengamatan Kelas
Selama perkuliahan mata kuliah Analisis Data Eksploratori terdapat mahasiswa aktif yang
berpartisipasi dalam merespon atau menanggapi penjelasan materi oleh dosen. Hal tersebut
dapat dilihat dari beberapa mahasiswa yang telah mengajukan pertanyaan maupun bersedia
maju ke depan untuk menyelesaikan soal/kasus di white board. Akan tetapi dapat
diakumulasikan hanya sekitar 50% dari mahasiswa tersebut yang berpartisipasi aktif.
Beberapa mahasiswa yang mengikuti perkuliahan juga memiliki pola duduk tertentu di
dalam kelas. Lima puluh persen mahasiswa yang termasuk kategori aktif ini adalah
mahasiswa yang duduk di 2 barisan terdepan, sedangkan mahasiswa yang duduk di 3 baris
belakangnya teramati lebih bersifat pasif namun hal ini tidak sepenuhnya valid.
Sehingga muncul beberapa pengamatan bagi mahasiswa yang bersifat pasif yakni sebagai
berikut:
- Berpandangan kosong di kelas
- Tidak memiliki respons atau tanggapan ketika diminta informasi materi berdasarkan
pemahaman mereka
- Hanya menonton penjelasan dan penurunan rumus yang dilakukan dosen di white
board tanpa mengamati dan membuat catatan atau menjabarkannya sendiri
- Di antara mereka bahkan ada yang tidak membuka catatan apapun di atas bangku
kuliah.
Maka untuk mengantisipasi kecepatan pemahaman yang tidak seragam ini, upaya yang
dilakukan dosen adalah mengatur ulang waktu penyampaian, sesuai dengan observasi
mengenai pemahaman mahasiswa. Oleh karena itu ada beberapa materi yang diundurkan
waktu penyampaiannya pada minggu setelah jadwal yang seharusnya, tanpa mengurangi
keseluruhan materi yang harus disampaikan dan juga dengan memberikan tugas secara
individu atau kelompok sehingga mendorong mahasiswa tersebut untuk belajar dan
memahami secara mandiri dan sesama mahasiswa lainnya.
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.
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 enam merepresentasikan setiap CLO, dan lintasan segi enam 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 bahwa
CLO3 sampai CLO6 secara rata-rata mencapai nilai excellent, dengan rata-rata
diatas 80. Sehingga secara rata-rata pada CLO ini 100% mahasiswa memperoleh
nilai capaian di atas 60.
- Sesuai dengan kategori capaian yang tersaji pada Tabel 4, dapat disimpulkan bahwa
CLO1 dan CLO2 secara rata-rata memperoleh nilai satisfactory, dengan rata-rata
diatas 70. Sehingga secara rata-rata pada CLO ini 98% mahasiswa memperoleh nilai
capaian di atas 60.
- 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
Eksploratori
CLO1 CLO2 CLO3 CLO4 CLO5 CLO6
Rata-rata 77.29 74.14 85.07 85.34 83.6 83.42
Kategori Capaian SATISFAC
TORY
SATISFAC
TORY
EXCELL
ENT
EXCELL
ENT
EXCELL
ENT
EXCELL
ENT
Banyaknya mahasiswa
dengan CLO>60 32 31 34 34 34 34
Persentase mahasiswa
dnegan CLO>60 94.12 91.18 100 100 100 100
Kategori 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
(a) (b)
Gambar 1. Visualisasi (a) indeks capaian dan (b) presentasi mahasiswa dengan capaian >60
di setiap CLO MK Analisis Data Eksploratori
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 luar 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):
- Disimpulkan bahwa ILO1, ILO3, ILO4, ILO5, ILO6, ILO7, ILO8 berada pada
kategori capaian Excellent, 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
0
50
100CLO1
CLO2
CLO3
CLO4
CLO5
CLO6
Weighted-avg-based CLO's AI
Achievement Index of MAS62125
85
90
95
100CLO1
CLO2
CLO3
CLO4
CLO5
CLO6
Student num-based CLO's AI
Achievement Index of MAS62125
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 7 - Mampu memelihara dan mengembangkan jaringan kerja, serta melakukan
supervisi dan evaluasi terhadap kinerja tim yang dipimpinnya.
ILO 8 - Mampu menerapkan dan menginternalisasi semangat kemandirian,
kejuangan, kewirausahaan berdasarkan nilai, norma, dan etika akademik serta nilai
Pancasila dalam segala aspek kehidupan.
Terdapat 98% mahasiswa yang memiliki nilai capaian di atas 60 untuk semua ILO
ini.
- Pada ILO2 hanya mencapai kategori Satisfactory sebanyak 98%.
ILO 2 - Mampu menyusun dan atau memilih rancangan pengumpulan/
pembangkitan data secara efisien dan menerapkan dalam bentuk survei, percobaan,
atau simulasi.
Tabel 5. Deskripsi Nilai dan Kategori Capaian untuk Setiap ILO yang didukung oleh MK
Analisis Data Eksploratori
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
Rata-rata 82.49 75.12 81.76 84.3 82.49 80.91 80.91 82.15
Kategori
Capaian
EXCEL
LENT
SATISFA
CTORY
EXCE
LLENT
EXCEL
LENT
EXCEL
LENT
EXCEL
LENT
EXCEL
LENT
EXCEL
LENT
Banyaknya
mahasiswa
dengan
CLO>60 34 31 34 34 34 34 34 34
Persentase
mahasiswa
dnegan
CLO>60
100 91.18 100 100 100 100 100 100
Kategori HIGH HIGH HIGH HIGH HIGH HIGH HIGH HIGH
(a) (b)
Gambar 2. Visualisasi (a) indeks capaian dan (b) presentasi mahasiswa dengan capaian >60
di setiap ILO yang didukung oleh MK Analisis Data Eksploratori
10 Kendala
- Kemampuan mahasiswa dalam memahami bahasa pemrograman pada Software R,
SPSS, dan Minitab sehingga tidak semua mahasiswa dapat mengaplikasikan coding
untuk melakukan sesuai dengan mata kuliah Analisis Data Eksploratori.
- Terdapat kendala laptop masing-masing mahasiswa memiliki spesifikasi yang
berbeda sehingga banyak mahasiswa yang tidak bisa meng-instal aplikasi untuk
menganalisis Data Eksploratori.
- Terdapat beberapa mahasiswa yang melakukan pelanggaran ketika mengerjakan
tugas maupun kuis yang diberikan oleh dosen, sehingga mengurangi nilai sikap
dalam etika perkuliahan oleh mahasiswa yang melakukan tindakan tersebut.
11 Distribusi Nilai
Nilai akhir diperoleh dari pembobotan seluruh komponen penilaian/asessment seperti yang
sudah disajikan pada kolom dua di Tabel 2. Sedangkan statistika deskriptif dari nilai akhir
dapat dilihat di Tabel 6. Rata – rata pemahaman mahasiswa adalah 81% untuk materi secara
keseluruhan, dengan kurang dan lebihnya 7% dari rata-rata tersebut. Nilai terendah untuk
mata kuliah Analisis Data Eksploratori adalah 52. Sedangkan nilai tertinggi sebesar 96.
Table 6. Statistika Deskriptif Nilai Akhir Analisis Data Eksploratori 2018/2019
Rata-rata 81.47
Median 83.52
Simpangan baku 7.49
Range 44.308
Minimum 52
0
50
100ILO1
ILO2
ILO3
ILO4
ILO5
ILO6
ILO7
ILO8
Weighted-avg-based ILO's AI
Achievement Index of MAS62125
85
90
95
100ILO1
ILO2
ILO3
ILO4
ILO5
ILO6
ILO7
ILO8
Student num-based ILO's AI
Achievement Index of MAS62125
Maksimum 96.308
Setelah dikonversi menjadi nilai huruf sesuai standar konversi penilaian, sebaran nilai
huruf dapat dilihat pada Gambar 3. Gambar tersebut menunjukkan bahwa terdapat
persentase terbesar yaitu pada nilai A sebanyak 100%. Tidak terdapat mahasiswa yang
mendapat nilai B+, B, C+, C, D+, D.
Gambar 3. Sebaran nilai akhir huruf MK Analisis Data Eksploratori 2018/2019
12 Kesimpulan
- Dengan segala kendala dan kemampuan dasar mahasiswa yang telah diketahui pada
nilai akhir yang diperoleh oleh mahasiswa sehingga dapat disimpulkan bahwa
penyampaian materi pada perkuliahan oleh dosen masih mencerminkan strategi dan
cara pembelajaran yang dapat diterima dengan baik oleh sebagian besar mahasiswa.
- Sedikit terdapat keterlambatan 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 kurang optimal.
- Terdapat beberapa mahasiswa yang masih mengalami kesulitan apabila terdapat
tugas yang harus dikerjakan dengan menggunakan Software R, SPSS, dan Minitab.
Selain itu masalah spesifikasi laptop masing-masing mahasiswa mengakibatkan
kurangnya software untuk menganalisis Data Eksploratori.
13 Rekomendasi Perbaikan
- Perlu koordinasi dengan pengajar mata kuliah yang menjadi dasar pemahaman di
mata kuliah ini. Disarankan agar dosen di mata kuliah dasar selalu memberikan
0%
20%
40%
60%
80%
100%
120%
A B+ B C+ C D+ D E
Persen Nilai Huruf
motivasi pemanfaatan teori tersebut pada mata kuliah lain-lainnya.
- Perlu dilakukan penerapan bahasa yang lebih mudah dipahami oleh mahasiswa
dalam menyampaikan teori-teori yang terdapat pada materi perkuliahan yang
diajarkan oleh dosen pengampu.
- Memberikan pelatihan lebih mengenai penanganan kasus riil menggunakan
Software agar dapat mengasah keterampilan mahasiswa pada mata kuliah Analisis
Data Eksploratori agar dapat mengahsilkan output dengan tepat dan cepat.
Lampiran 1
Min
ggu
ke
Renca
na
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8
da
n
9
10 11 12 13 14 15 16 17
1
Pendah
uluan
Kontak
kuliah,
Pengantar
Analisis
Data
Eksplorator
i
Menjelaska
nkonsep-
konsep
dasar
eksplorasi
data dengan
statistika
deskriptif
2 Statisti
ka
Deskri
ptif
dengan
Tabel
Memperk
enalkan
software
Hadoop:
karakteris
tik, fitur,
kompone
n inti,
kompone
n
ekosiste
m
Menunju
kkan
software
yang
dibutuhk
Min
ggu
ke
Renca
na
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8
da
n
9
10 11 12 13 14 15 16 17
an dalam
pengolah
an data
dan
menunju
kkan cara
memasan
g
perangkat
tersebut
ke PC
3 Statisti
ka
Deskri
ptif
dengan
Histog
ram
Menjel
askan
tentang
Statisti
ka
Deskri
ptif
dengan
Histogr
am dan
penera
pannya
4 KUIS
1
Semu
a
baha
n
yang
telah
diajar
kan
pada
perte
muan
Min
ggu
ke
Renca
na
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8
da
n
9
10 11 12 13 14 15 16 17
ke-1
samp
ai
deng
an
perte
muan
ke-3
5 Statisti
ka
Deskri
ptif
dengan
Diagra
m
Dahan
Daun
Menjel
askan
tentang
Statisti
ka
Deskri
ptif
dengan
Diagra
m
Dahan
Daun
dan
penera
pannya
6 Statisti
ka
Deskri
ptif
dengan
boxplot
serta
Deteksi
Pencil
an
Menjel
askan
tentang
Statisti
ka
Deskri
ptif
dengan
boxplot
serta
Deteksi
Min
ggu
ke
Renca
na
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8
da
n
9
10 11 12 13 14 15 16 17
Pencila
n dan
penera
pannya
7 Metode
QQplot
Menjel
askan
tentang
Metode
QQplot
dan
penera
pannya
8
dan
9
U
T
S
10 Pemul
usan
Kernel
Menjel
askan
tentang
Pemulu
san
Kernel
dan
penera
pannya
11 Garis
Resiste
n
Menjel
askan
tentang
Garis
Resiste
n dan
penera
pannya
Min
ggu
ke
Renca
na
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8
da
n
9
10 11 12 13 14 15 16 17
12 Pendu
ga dan
Regres
i
Robust
Menjel
askan
tentang
Pendug
a dan
Regresi
Robust
dan
penera
pannya
13 Kuis 2
Semu
a
baha
n
yang
telah
diajar
kan
pada
perte
muan
ke-10
samp
ai
deng
an
perte
muan
ke-12
14 Penyel
esaian
Tabel
Dua
Arah
Menjel
askan
tentang
Tabel
Dua
Min
ggu
ke
Renca
na
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8
da
n
9
10 11 12 13 14 15 16 17
Arah
dan
Penera
pannya
15 Penyel
esaian
Tabel
Tiga
Arah
Menjel
askan
tentang
Tabel
Tiga
Arah
dan
Penera
pannya
16 Eksplo
rasi
Data
Peuba
h
Ganda
Menjel
askan
tentang
Eksplor
asi
Data
Peubah
Ganda
dan
penera
pannya
17
UAS
U
A
S
Kehadiran
(%) 90,04 100 100 100 98,65 100 100 100 97.72 100 100 98,65 100 100
Lampiran 2. Daftar Rincian Nilai
NIM Nama ABS Q1 Q2 T1 T2 T3 T4 T5 T6 T7 T8 UTS UAS NA NH
195090500111054 Salsabilla Rizky Putri 100 74,5 90 81.33 83.00 81.33 83,67 84,00 83,00 82,50 82,67 72 73.33 81,08 A
195090500111057 Muhammad Dzaky
Firmansyah 100 71 91,25 81.00 83.33 81.00 83,33 82,50 82,33 82,67 83,50 77 78.00 81,94 A
195090500111060 Ahmad Ulfi Jihad
Dzulqornain 92,86 72,5 90 81.67 83.33 82.33 82,50 83,50 82,83 81,00 82,67 75 77.67 81,97 A
195090500111065 Hasna Aminatuzzuhria 100 90 90 83.00 83.00 82.00 84,50 84,33 84,33 84,33 85,00 74 67.67 83,33 A
195090500111066 Shinta Istibsyaroh
Umami 100 94 90 82.00 82.67 81.67 83,67 84,00 83,00 82,83 83,00 80 67.00 85,36 A
195090500111067 Raissa Loretta Purba 92,86 64 91,25 81.33 83.33 81.33 84,33 84,00 83,50 83,33 84,50 77 67.00 74,68 B
195090501111002 Dela Wijayanti 100 70 92 82.00 82.33 81.67 83,83 82,83 82,33 82,67 83,83 78 67.00 74,83 B
195090501111006 Luthfia Hanun Yuli
Arini 100 71 90 81.33 82.33 82.00 84,33 84,67 83,00 82,50 83,33 85 87.33 90,72 A
195090501111012 Anwar Khoirudin 100 74 90,5 81.33 83.33 82.00 84,00 83,17 82,33 82,67 84,17 80 87.33 81,85 A
195090501111021 Farah Annisa Suryanto 100 69 90,5 80.67 83.00 82.00 82,67 83,67 82,83 81,00 82,83 85 87.33 81,54 A
195090501111023 Amellia Megadita
Pratiwi 100 81 90 80.67 82.33 82.00 84,50 84,33 84,33 84,33 85,00 85 87.33 91,93 A
195090501111028 Izka Ardinavaizura 100 77 92,5 81.33 82.33 83.33 83,50 83,83 83,00 82,83 82,83 78 64.67 81,45 A
195090501111031 Alvira Rohdiyana 100 74 92,25 81.67 83.00 83.00 83,50 83,17 83,50 83,33 83,67 71 72.33 72,14 B
195090501111035 Mima Vania Anathy 85,71 48 89,25 81.00 83.00 81.67 84,17 83,17 82,33 82,67 84,17 75 77.33 74,41 B
195090501111036 Maya Robiyani 100 83 95 81.00 81.33 82.00 83,83 84,17 83,00 82,50 82,83 85 87.33 79,19 B+
195090501111037 Agustina Dwi Hartati 100 66 90 82.33 81.33 82.00 84,00 83,17 82,33 82,67 84,17 85 87.33 82,95 A
195090501111038 Nadya Camelia Nur
Zahwa 100 67 91,5 83.00 83.67 84.00 83,00 84,00 82,83 81,00 83,17 77 65.00 78,66 B+
195090501111043 Nurita Azka Fitriana 100 66 90 80.67 82.67 81.33 84,50 84,33 84,33 84,33 85,00 81 87.33 81,68 A
195090501111046 Orryza Oky Astrianka 100 79 90 81.33 82.67 84.00 83,50 83,83 83,00 82,83 82,83 73 68.33 80,55 A
195090501111050 Vety Bhakti Lestari 100 65 90 80.67 83.00 83.33 83,67 83,33 83,50 83,33 83,83 76 65.67 73,23 B
195090501111051 Yayuk Lestari 100 53 80 82.33 82.67 82.67 83,33 82,33 82,33 82,67 83,33 87 87.33 74,51 B
195090501111054 Metasari Ayu Puspita
Arum 100 47 90 81.67 81.67 82.67 84,33 84,67 83,00 82,50 83,33 88 87.33 82,02 A
NIM Nama ABS Q1 Q2 T1 T2 T3 T4 T5 T6 T7 T8 UTS UAS NA NH
195090507111008 Restu Satrio Pinanggih 100 68 90 82.00 81.33 82.33 83,50 82,67 82,33 82,67 83,67 78 68.00 79,13 B+
195090507111010 Siwi Estri
Esthiningtyas 100 75 90 82.33 83.33 85.00 83,33 84,33 82,83 81,00 83,50 65 66.00 82,48 A
195090507111015 Meytha Agisha Ptri
Chrisbianto 100 61 90 81.67 82.67 82.00 84,17 84,00 84,33 84,33 84,67 76 69.00 73,21 B
195090507111017 Salsabila Ghazani 100 50 85,75 82.00 82.33 83.67 84,17 84,00 82,50 82,83 83,50 62 69.00 86,13 A
195090507111022 M. Tafana Imania
Arifin 100 45 90,5 80.33 82.67 83.00 83,67 83,33 83,50 83,33 83,83 86 87.33 72,33 B
195090507111023 Salma Aulia Yushali 100 74 91,75 81.67 83.00 82.33 83,50 82,50 82,33 82,67 83,50 73 69.00 81,34 A
195090507111024 Kamila Muazzaroh
Savitri 100 64 92,5 80.67 81.67 82.33 83,50 83,83 83,00 82,50 82,50 84 70.00 85,72 A
195090507111029 Rizal Rahagi
Adhiatma 100 72 90 81.33 81.33 82.67 84,00 83,17 82,33 82,67 84,17 73 70.00 82,55 A
195090507111033 Arditama Putra
Rochmanullah 92,86 55 90 82.33 83.33 83.67 82,83 83,83 82,83 81,00 83,00 85 87.33 88,64 A
195090507111036 Asmaul Husna 100 88,5 90 82.00 81.67 80.67 84,50 84,33 84,33 84,33 85,00 71 70.00 82,93 A
195090507111040 Alifya Salza
Khairanisa 100 74 92,25 81.00 83.33 83.67 83,83 84,17 83,00 82,83 83,17 87 87.33 80,74 A
195090507111048 Martua Abednego
Simanjuntak 100 72 90 81.00 83.33 83.67 84,33 84,00 83,50 83,33 84,50 86 87.33 90,91 A