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