Portofolio Perkuliahan
UNIVERSITAS BRAWIJAYA
FAKULTAS MIPA
JURUSAN STATISTIKA / PROGRAM STUDI SARJANA STATISTIKA
Mata Kuliah:
Statistika Non Parametrik
Kode:
MAS61122
RMK : Ilmu Hayati
Semester : Ganjil Dosen Dr. Adji Achmad R. S.Si., M.Sc.
Pendahuluan
Mata kuliah Statistika Non parametrik adalah mata kuliah yang sudah diampu oleh dosen pengajar secara professional. Dosen pengajar sudah mulai menemukan strategi yang tepat untuk menyampaikan materi pada mata kuliah ini dengan menggunakan dua metode yaitu secara teoritis dan praktek (Software R dan SAS). Dalam mengevaluasi hasil akhir pemahaman dalam penerapan tugas yang diberikan kepada mahasiswa, akhirnya kembali kepada kemampuan dasar mahasiswa dan pemahaman mereka akan mata kuliah – mata kuliah pendukung. Namun dosen pengajar akan tetap mempelajari seluruh karakter mahasiswa yang mungkin jadi kendala di dalam pemahaman mereka, dan merubah strategi pengajaran jika diperlukan.
1 Tujuan
Tujuan Umum:
Mata kuliah ini diajarkan supaya mahasiswa mampu merumuskan pengujian hipotesis dan menganalisis data menggunakan menggunakan teknik-teknik statistika yang sesuai di bidang ilmu hayati dengan bantuan perangkat lunak
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) Statistika Non Parametrik ini adalah:
- CLO 1: Mampu menerapkan konsep dasar statistika non parametrik (LO1, LO5) - CLO 2: Mampu membedakan penerapan analisis statistika parametrik dan Non
Parametrik (LO1, LO2, LO4, LO7)
- CLO 3: Mampu menerapakan analisis statistika non parametrik pada seluruh bidang kehidupan (LO3,LO4,LO5,LO6,LO7)
- CLO 4: Mampu memberikan interpretasi dari hasil analisis (LO5,LO6) - CLO 5: Mampu membedakan pengujian hipotesis untuk sampel tunggal,
pengujian hipotesis dua sampel independen dan dependen, pengujian
independensi, pengujian hipotesis sampel lebih dari tiga (LO2, LO3, LO5, LO6, LO7)
- CLO 6: Memahami penerapan berbagai metode pada statistika nonparametrik (LO1,LO3, LO4, LO6)
- CLO 7: Mahasiswa mampu menyampaikan hasil analisisnya secara tertulis maupun lisan, dalam bentuk tugas individu maupun kelompok. (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 Multivariat I dan ILO yang disajikan pada Tabel 1.
Tabel 1. Matriks Hubungan antara CLO dan ILO MK Statistika Non Parametrik
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
CLO1 0.5 0 0 0 0.5 0 0 0
CLO2 0.3 0.3 0 0.4 0 0 0 0
CLO3 0 0 0.2 0.2 0.2 0.2 0.2 0
CLO4 0 0 0 0 0.5 0.5 0 0
CLO5 0 0.2 0.2 0 0.2 0.2 0.2 0
CLO6 0.25 0 0.25 0.25 0 0.25 0 0
CLO7 0 0 0 0 0 0.4 0.3 0.3
2 Strategi Pembelajaran
Perkuliahan ini menyajikan materi yang bersifat teori dan konsep penerapan analisis data dengan menggunakan program R dan SAS. Untuk itu digunakan strategi berikut ini:
- Menyediakan akses materi sebelum perkuliahan (dalam file pdf/ppt) yang dibagikan melalui penanggung jawab kelas, Kemudian membentuk kelompok- kelompok belajar untuk mengumpulkan tugas dan berdiskusi materi yang telah dipelajari.
- Menyajikan materi secara rinci, menyajikan beberapa penurunan rumus - rumus 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 dan menurunkan beberapa konsep rumus.
- 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.
- 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 yang dapat diolah dengan Statistika Non parametrik, 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.
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:
a. Jadwal: Pertemuan dijadwalkan setiap hari Rabu, jam 7.30 – 10.15 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 analisis 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 statistika parametrik dan statistika non parametrik
- Tugas 2 untuk materi kasus satu sempel
- Kuis 1 mengenai perbedaan statistika parametrik dan statistika non parametrik - Tugas 3 untuk dua sampel berhubungan dan dua sampel independen
- UTS mengenai kasus satu sempel, dua sampel berhubungan dan dua sampel independen
- Tugas 4 untuk materi k-sampel berhubungan dan k-sampel independen - Kuis 2 mengenai materi k-sampel berhubungan dan k-sampel independen - Tugas 5 untuk materi ukuran korelasi dan uji signifikannya
- UAS mengenai k-sampel berhubungan, k-sampel independen dan ukuran korelasi dan uji signifikannya
Semua bentuk penilaian di atas harus dikerjakan secara mandiri oleh mahasiswa Responsi
a. Asisten yang memegang kelas responsi adalah: Nabila Azarin Balqis dan Fatma Inas Zakiya
b. Responsi diselenggarakan di kelas, karena tidak memerlukan lab komputer
c. Diselenggarakan dengan tujuan pemantapan materi, melalui sesi diskusi dengan asisten dan latihan pengayaan soal.
d. Materi setiap minggunya adalah hasil diskusi dengan dosen, sesuai dengan kecepatan penyampaian materi perkuliahan setiap minggunya.
e. Jadwal: Responsi dilaksanakan setiap hari Jum’at, jam 6.30 – 7.30.
f. 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: Dua Sampel Berhubungan (Tes McNemar)
2. Minggu ke-6: Dua Sampel Berhubungan (Tes Tanda dan Ranking Bertanda Wilcoxon))
3. Minggu ke-7: Dua Sampel Berhubungan (Tes Walsh)
4. Minggu ke-10: Dua Sampel Berhubungan (Tes Randomisasi Untuk Data
Berpasangan)
5. Minggu ke-11: Dua Sampel Independen 6. Minggu ke-12: K-Sampel Berhubungan 7. Minggu ke-13: K-Sampel Independen
8. Minggu ke-14: UkuranKorelasi dan Uji Signifikansinya 4 Isi Perkuliahan
- Penjelasan prinsip dasar statistika parametrik dan statistika non parametrik - Penjelasan materi kasus satu sampel
- Penjelasan materi dan prinsip mengenai dua sampel berhubungan dan dua sampel independen
- Penjelasan materi k-sampel berhubungan dan k-sampel independen - Penjelasan materi ukuran korelasi dan uji signifikannya
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, 1 dari angkatan 2017 , dan beberapa dari angkatan 2016 yang karena satu dan lain hal tidak dapat mengambil mata kuliah ini pada tahun lalu. Untuk Statistika Non Parametrik kelas B diikuti oleh 445 mahasiswa, dengan komposisi 8 mahasiswa angkatan 2017, 1 mahasiswa angkatan 2017 dan 36 mahasiswa angkatan 2018.
6 Persentase Kehadiran
Kehadiran dosen adalah 100% sedangkan kehadiran mahasiswa rata – rata sebesar 98%.
7 Sistem Evaluasi
- Evaluasi melalui tugas. Tujuan dari evaluasi ini adalah untuk menggali pemahaman mahasiswa apakah sudah sesuai dengan tujuan perkuliahan di setiap minggu/pertemuan. Hasil dari 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.
- 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)
Asesmen Bobot terhadap Nilai Akhir
CLO 1 CLO 2 CLO 3 CLO 4 CLO 5 CLO 6 CLO 7 Bobot Asesment terhadap CLO (Course Learning Outcome)
T1 0.04 0.5 0.5 0 0 0 0 0.5
T2 0.04 0.25 0 0.25 0.25 0 0 0.25
T3 0.04 0 0 0 0 0.5 0 0.5
T4 0.04 0 0 0 0 0 0.5 0.5
T5 0.04 0 0 0 0 0 0.5 0.5
Q1 0.1 0.4 0.3 0.3 0 0 0 0
Q2 0.1 0.5 0 0 0 0.5 0 0
UTS 0.2 0.25 0.25 0.25 0.25 0 0 0
UAS 0.2 0 0 0 0 0.5 0.5 0
Praktikum 0.2 0.14 0.14 0.14 0.14 0.14 0.14 0.14
8 Pengamatan Kelas
Di dalam perkuliahan Statistika Non parametrik terdapat mahasiswa aktif berpartisipasi baik itu di dalam mengajukan pertanyaan maupun bersedia maju ke depan untuk menyelesaikan kasus di white board. Hal tesebut dapat dilihat dari beberapa mahasiswa yang telah mengajukan pertanyaan maupun menjawab pertanyaan yang diberikan. Akan tetapi hanya sekitar 40% dari mahasiswa saja yang berpartisipasi aktif. Secara tidak langsung mahasiswa sudah mempunyai pola di dalam pengaturan tempat duduk mereka di dalam kelas. 40% 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
- Bahkan ada diantara mereka ada 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.
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 lima merepresentasikan setiap CLO, dan lintasan segi tujuh 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 CLO1 sampai CLO5 secara rata-rata mencapai nilai excellent, dengan rata- rata diatas 80. Sehingga secara rata-rata pada semua CLO ini 100% 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 Statistika Non Parametrik
CLO1 CLO2 CLO3 CLO4 CLO5 CLO6 CLO7
Rata - rata 82,33 83,23 83,5 82,96 82,46 82,73 83,02 Kategori Capaian EXCE
LLENT
EXCE LLENT
EXCE LLENT
EXCE LLENT
EXCE LLENT
EXCE LLENT
EXCEL LENT Banyaknya
mahasiswa dengan CLO>60
45 45 45 45 45 45 45
Persentase mahasiswa dnegan CLO>60
100 100 100 100 100 100 100
Kategori Persentase
HIGH 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 Statistika Non Parametrik
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 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 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.
200 4060 10080CLO1
CLO2
CLO3
CLO4 CLO5
CLO6 CLO7
Weighted-avg-based CLO's AI
Achievement Index of MAS61122
200 4060 10080CLO1
CLO2
CLO3
CLO4 CLO5
CLO6 CLO7
Student num-based CLO's AI
Achievement Index of MAS61122
- 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 100% mahasiswa yang memiliki nilai capaian di atas 60 untuk semua ILO ini.
Tabel 5. Deskripsi Nilai dan Kategori Capaian untuk Setiap ILO yang didukung oleh MK Statistika Non Parametrik
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
Rata - rata terboboti
82,62 82,84 82,8 83,11 82,62 82,89 82,91 83,02 Kategori
Capaian
EXCE LLENT
EXCE LLENT
EXCE LLENT
EXCE LLENT
EXCE LLENT
EXCE LLENT
EXCE LLENT
EXCEL LENT Banyaknya
mahasiswa dengan ILO>60
45 45 45 45 45 45 45 45
Persentase mahasiswa dnegan ILO>60
100 100 100 100 100 100 100 100
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 Statistika Non Parametrik 10 Kendala
- Kemampuan/pemahaman mahasiswa mengenai perbedaan statistika parametrik
200 4060 10080ILO1
ILO2
ILO3
ILO4 ILO5
ILO6 ILO7
ILO8
Weighted-avg-based ILO's AI
Achievement Index of MAS61122
200 4060 10080ILO1
ILO2
ILO3
ILO4 ILO5
ILO6 ILO7
ILO8
Student num-based ILO's AI
Achievement Index of MAS61122
dan statistika non parametrik, serta materi ukuran korelasi dan uji signifkannya 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 84% untuk materi secara keseluruhan, dengan kurang dan lebihnya 3% dari rata – rata tersebut. Untuk nilai terendah diperoleh oleh satu mahasiswa dengan nilai 76. Namun ada pula mahasiswa yang berhasil optimal memahami materi dengan nilai 91.
Tabel 6. Statistika Deskriptif Nilai Akhir Statistika Non Parametrik 2018/2019 Rata-rata 84,46244444
Median 84,82
Simpangan baku 3,292317762
Range 14,84
Minimum 76,53
Maksimum 91,37
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 87%. Dan terdapat nilai B+ yakni sebesar 13%. Tidak terdapat mahasiswa yang mendapat nilai C+, C, D+, D, dan E.
Gambar 3. Sebaran nilai akhir huruf MK Statistika Non Parametrik 2018/2019 12 Kesimpulan
- Dari nilai akhir yang diperoleh mahasiswa, dapat disimpulkan bahwa strategi dan cara pembelajaran dapat diterima dengan baik oleh sebagian besar mahasiswa.
13 Rekomendasi Perbaikan
- Perlu dilakukan penerapan bahasa yang lebih mudah dipahami oleh mahasiswa dalam menyampaikan materi
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
A B+ B C+ C D+ D E
Persen Nilai Huruf
- Perlu koordinasi dengan pengajar mata kuliah yang menjadi dasar pemahaman dimata kuliah ini.
Lampiran 1
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 d a n 9
10 11 12 13 14 15 16 1
7
1
Pendahuluan Kontrak kuliah, Pengertian
Statistika Nonparametr
ik Contoh-
contoh Statistika Nonparametr
ik 2 Uji Tanda dan
Uji Peringkat Wilcoxon
Menjelaska n sifat,
serta melakukan
pengujian hipotesis Uji Tanda Menjelaska n sifat,
serta melakukan
pengujian hipotesis
Uji Peringkat Wilcoxon 3 Uji
Menjelaska
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 d a n 9
10 11 12 13 14 15 16 1
7
Binomial, Uji Sampel Rangkaian Tunggal, dan Uji Cox-Stuart
n sifat, serta melakukan
pengujian hipotesis
Uji Binomial Menjelaska n sifat,
serta melakukan
pengujian hipotesis Uji Sampel
Rangkaian Tunggal Menjelaska
n sifat, serta melakukan
pengujian hipotesis Uji Cox- Stuart
4 KUIS 1 Semua
bahan yang telah diajarka
n pada pertemu
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 d a n 9
10 11 12 13 14 15 16 1
7
an ke-1 sampai dengan pertemu an ke-3 5 Uji Kilat
Tukey, Uji Median, dan Uji Mann Whitney
Menjela skan sifat, serta melakuk
an pengujia
n hipotesi
s Uji Kilat Tukey Menjela skan sifat, serta melakuk
an pengujia
n hipotesi
s Uji Median Menjela
skan sifat,
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 d a n 9
10 11 12 13 14 15 16 1
7
serta melakuk
an pengujia
n hipotesi
s Uji Mann Whitney 6 Uji tanda dua
sampel dependen dan Uji peringkat bertanda
Menjelas kan sifat,
serta melakuka
n pengujia
n hipotesis Uji tanda untuk
dua sampel berhubun
gan Menjelas kan sifat,
serta melakuka
n pengujia
n hipotesis
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 d a n 9
10 11 12 13 14 15 16 1
7
Uji Peringkat
Bertanda
7 Chi-kuadrat Menjela
skan distibusi
Chi- kuadrat Melaku
kan pengujia
n hipotesi
s Uji Chi- Kuadrat 8
dan 9
U
T S 10 Uji Median,
Kruskal Wallis, dan Friedman
Melakukan pengujian independen si dengan Perluasan Uji Median Melakukan pengujian independen si dengan Peringkat
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 d a n 9
10 11 12 13 14 15 16 1
7
Kruskal Wallis Melakukan
pengujian independen si dengan Peringkat Friedman Melakukan perbanding an berganda
setelah peringkat friedman
11 Chi-kuadrat Melakuka
n pengujian
keselaras an Chi- Kuadrat 12 Kolmogorov
Smirnov
Melaku kan penguji
an keselara
san Kolmog
orov- Smirno
v sampel
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 d a n 9
10 11 12 13 14 15 16 1
7
tunggal Melaku
kan penguji
an keselara
san Kolmog
orov- Smirno
v dua sampel
13 KUIS 2 Semua
bahan yang telah diajarkan
pada pertemua
n ke-10 sampai dengan pertemua
n ke-12 14 Korelasi
peringkat
Melaku kan perhitu
ngan koefisie
n dan penguji
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 d a n 9
10 11 12 13 14 15 16 1
7
an korelasi peringk
at spearm
an Melaku
kan perhitu
ngan koefisie
n dan penguji
an korelasi peringk
at tau kendall 15 Regresi linier
sederhana
Menent ukan persam
aan garis regresi
linier sederha na 16 Presentasi
hasil tugas kelompok
Presentas i, Diskusi,
Tanya
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 d a n 9
10 11 12 13 14 15 16 1
7
Jawab disertai Contoh- contoh kasus dan
latihan analisis kasus 17
UAS
U A S
Kehadiran (%) 88.63 100 98,87 100 100 98,87 100 100 100 100 98,87 98,87 100 100
Lampiran 2. Daftar Rincian Nilai
NIM NAMA Kuis1 Kuis2 T1 T2 T3 T4 T5 RESP UTS UAS
165090501111019 Amalia Dheani 62 58 83,33 86,67 83,3 83,3 76,67 86,5 80 80
165090501111036 Kartika Novianingtyas 58 62 83,33 86,67 83,3 83,3 76,67 77,63 78 80
165090501111044 Nadillah Nur Yasmin 100 90 80 90 86,7 80 70 81,63 88 78,8
165090507111033 Indah Suciyati Fardani 90 90 86,67 90 80 76,7 83,33 89 90 86,3
165090507111040 Shandyka Pratama 86 80 86,67 83,33 83,3 80 80 86,5 77 77,5
165090507111041 Sutomo Musa Amien 80 90 83,33 86,67 86,7 80 83,33 86,13 74 78,8 165090507111042 Teddy Armana Bastanta 90 90 90 86,67 86,7 83,3 76,67 78,25 88 83,8 165090507111044 Christopel Daniel Mairil 90 77 80 90 80 80 83,33 78,88 87 78,8
175090507111028 Muhammad Daafa` Fenori 82 82 80 90 86,7 80 80 85,63 79 77,5
185090500111001 Ajeng Jasmine Firdausy 91 77 83,33 90 80 83,3 76,67 89 94 80
185090500111003 Muhammad Naufal Amanullah 95 91 83,33 83,33 83,3 83,3 76,67 94,75 95 83,8
185090500111004 Dini Amalia 90 90 80 86,67 86,7 80 70 90,25 87 78,8
185090500111005 Riski Fausta 71 85 86,67 86,67 83,3 76,7 83,33 77,75 65 86,3
185090500111006 Chika Rafika Ayu Pramesthi 90 86 86,67 86,67 83,3 80 80 80,38 72 77,5 185090500111007 Akhmad Rizaly Fikriansyah 90 90 83,33 90 86,7 76,7 83,33 70 93 86,3
185090500111010 Nava Ayu Azzahra 79 80 90 90 80 80 83,33 90,25 91 78,8
185090500111011 Fari`S Yukla Robiatul Masputra 86 77 80 83,33 83,3 83,3 76,67 90,88 90 80
185090500111012 Harry Maringan Tua 90 90 80 86,67 86,7 80 83,33 82,88 88 78,8
185090500111017 Annisa Fakhira Ramadhani 75 79 83,33 86,67 83,3 83,3 76,67 84,38 74 83,8
185090500111018 Aldi Junaedi 90 90 83,33 86,67 83,3 80 70 86,5 75 78,8
185090500111020 Talitha Syamsa Rahma 91 85 80 90 86,7 80 70 81,75 80 78,8
185090500111026 Evita Akmal Rahmadona 79 92 86,67 90 80 76,7 83,33 85 82 86,3
185090500111027 Annisa Setya Wahyuningrum 85 83 86,67 83,33 83,3 80 80 86,75 96 77,5
185090500111032 Nur Hayati 93 83 83,33 86,67 86,7 80 83,33 79,75 91 78,8
185090500111033 Diana Safitri 92 50 90 86,67 83,3 83,3 76,67 84,5 93 80
NIM NAMA Kuis1 Kuis2 T1 T2 T3 T4 T5 RESP UTS UAS
185090500111034 Kavilatul Bariroh 74 66 80 86,67 83,3 83,3 76,67 83 65 83,8
185090500111037 M. Samudra Putra Veridayanto 100 91 80 90 86,7 80 80 91,5 92 77,5
185090500111038 Arif Rachmandani 58 70 83,33 90 80 80 70 87,88 63 78,8
185090500111043 Arsid Jimmi Yuwanto 93 83 83,33 83,33 83,3 76,7 83,33 86,5 80 86,3
185090501111001 M. Sandy Asyraf 80 80 80 86,67 86,7 80 80 85,88 82 77,5
185090501111002 Balqis Sundusiyah 84 50 86,67 86,67 83,3 80 83,33 79,38 78 78,8 185090501111004 Eka Retnoningati 80 80 86,67 86,67 83,3 83,3 76,67 81,75 80 80 185090501111006 Mohammad Zanuar Fatih Terim 90 90 83,33 90 86,7 80 70 89,25 80 78,8
185090501111012 Amilatul Ilmi 72 50 90 90 80 83,3 76,67 86 77 83,8
185090501111030 Isaac Dwadattusyah Haikal Azziz 90 90 80 83,33 83,3 80 83,33 90 94 78,8 185090501111031 Cindy Veronica Rofi`Atin 83 90 80 86,67 86,7 83,3 76,67 89,13 89 83,8 185090501111032 Yuni Dwi Bastianingsih 95 70 83,33 86,67 83,3 80 70 85,25 84 78,8 185090507111003 Ika Shofiatul Mahmudah 90 88 83,33 86,67 83,3 76,7 83,33 93,25 89 86,3 185090507111005 Gabrielle Yukiko Marchelita 89 91 80 90 86,7 80 80 89,25 76 77,5 185090507111006 Gede Ganesh Adi Bharata 76 79 86,67 90 86,7 80 83,33 73,5 87 78,8 185090507111008 Khairunnisa Faadhilah 95 50 86,67 83,33 83,3 83,3 76,67 90,5 90 80 185090507111014 Carmelia Nabila Permatasari 83 50 83,33 86,67 86,7 83,3 76,67 94,25 82 83,8
185090507111016 Ravil Wardana Fauzi 87 75 90 86,67 83,3 80 70 86,5 87 78,8
185090507111017 Muhammad Farhan Fadhilah 90 90 80 86,67 83,3 83,3 76,67 83,63 77 80 185090507111028 Vincentia Septya Putri 95 50 80 90 86,7 76,7 83,33 89,63 90 86,3
