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