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:
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
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
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
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
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 Pers en Nilai
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 RencanaPelaksanaan 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
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
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
