Portofolio Perkuliahan
UNIVERSITAS BRAWIJAYA
FAKULTAS MIPA
JURUSAN STATISTIKA / PROGRAM STUDI SARJANA STATISTIKA
Mata Kuliah:
Analisis Big Data
Kode:
MAS62136
RMK:
Teori dan Komputasi
Semester:
Genap Dosen Dr. Adji Achmad Rinaldo Fernandes S.Si., M.Sc.
Pendahuluan
Mata kuliah Analisis Big Data 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 atau Hadoop) 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 Big Data, fenomena, sifat-sifat, kompleksitas, frame work big data dan mampu menentukan model atau algoritma yang sesuai pada data dalam skala yang sangat besar secara lebih mendalam sebagai dasar untuk mengembangkan statistika terapan.
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, sosila humaniora, ekonomi, industri dan hayati.
- 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 Big Data ini adalah:
- CLO 1: Mahasiswa mampu memahami konsep dasar teori big data collecting dan processing.
- CLO 2: Mahasiswa mampu menerapkan data analytic big livecycle dan realtime.
- CLO 3: Mahasiswa mampu menerapkan Clustering – Reduce Dimentionality.
- CLO 4: Mahasiswa mampu menerapkan Text Analytic, socment sentiment analysis.
- CLO 5: Mahasiswa mampu menerapkan Supervised dan Unsupervised Algorithm.
Masing – masing Capaian Pembelajaran Mata Kuliah (CLO) memberikan dukungan terhadap Capaian Pembelajaran Program Studi (ILO) dengan persentase tertentu yang detilnya dapat dilihat dapat dilihat pada matriks hubungan antara CLO MK Analisis Big Data dan ILO yang disajikan pada Tabel 1.
Tabel 1. Matriks Hubungan antara CLO dan ILO MK Analisis Big Data
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
CLO1 0.3 0 0.2 0 0.3 0 0 0
CLO2 0.3 0 0.3 0 0.2 0 0 0
CLO3 0 0 0.2 0.2 0.2 0 0.2 0.2
CLO4 0 0 0.2 0.2 0.2 0 0.2 0.2
CLO5 0 0 0.2 0.2 0.2 0 0.2 0.2
2 Strategi Pembelajaran
Perkuliahan ini menyajikan materi yang bersifat teori dan konsep penerapan komputasi pada pengolahan big data dengan menggunakan MapReduce, Hadoop, atau Spark dalam R.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 algoritma komputasi 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 algoritma komputasi dalam analisis big data menggunakan MapReduce, Hadoop, atau Spark dalam R.
- 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 konsep algoritma.
- 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 algoritma komputasi statistika dengan menggunakan MapReduce, Hadoop, atau Spark dalam R, 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 3 sks. Pertemuan terjadwal satu minggu sekali (3 kali 50 menit) selama 14 minggu. Untuk UTS dilaksanakan terjadwal setelah 7 kali pertemuan, sedangkan UAS juga dilaksanakan terjadwal setelah pertemuan ke 14.
Perkuliahan:
- 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 algoritma komputasi statistika 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.
- 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 Big Data dalam kehidupan sehari-hari dilakukan perbandingan antara analisis Big Data dengan analisis tradisional.
- Kuis 1 untuk menguji kemampuan mahasiswa mengenai Big Data, baik definisi, karakteristik, dan perbandingan analisis Big Data dengan analisis tradisional.
- Tugas 2 untuk memperdalam wawasan konsep analisis cluster, regresi logistic, time series, dan analisis data eksploratori dalam studi kasus dengan data yang sangat banyak (Big Data) dengan menggunakan Sofware R.
- Kuis 2 untuk menguji kemampuan mahasiswa mengenai Text Analysis, Exploring Socmed Sentiment Analysis and the Weather, MapReduce, dan Tools:
In Database Analytic ; Database Techniques for Big Data
- Tugas 3 untuk memperdalam wawasan dan kemampuan mahasiswa mengenai penerapan resampling bootstrap pada model analisis jalur dengan menggunakan coding menggunakan Software R.
Semua bentuk penilaian di atas harus dikerjakan baik secara individu maupun kelompok oleh mahasiswa.
4 Isi Perkuliahan
1. Pengantar Big Data (Buku EMC Education Service; Sedkaoui
2. Data Analytic Big Lifecycle, Building and Understanding of Big Data Analysis (Buku EMC Education Service; Sedkaoui, Ratner;
3. Real Time Analytic and Big Data Analytic for Socmed (Buya
4. Big Data di R: Clustering-Reduce Dimentionality (Buku EMC Education Service 5. Big Data di R: PCA-Reduce Dimentionality (Buku Ratner
6. Big Data di R: Regression, Classification and Logistic Regression (Buku EMC Education Service, Ratner
7. Big Data di R: Text Analysis, Exploring Socmed Sentiment Analysis and the Weather (Buku EMC Education Service; Buya
8. Big Data di R: MapReduce (Buku EMC Education Service
9. Technology and Tools: In Database Analytic ; Database Techniques for Big Data;
(Buku EMC Education Service
10. Machine Learning (Buku Sedkaoui, Walkowiak
11. Supervised and Unsupervised Algoritm and Example (Buku Sedkaui 12. Bootstrapping in Marketing: A New Approach for Validating Models
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 2016 dan 2017. Untuk Big Data kelas B diikuti oleh 52 mahasiswa, dengan komposisi 15 mahasiswa angkatan 2016 dan 37 mahasiswa angkatan 2017.
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.
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 CLO 5
Bobot Asesment terhadap CLO (Course Learning Outcome)
T1
Perbandingan antara analisis
Big Data dengan analisis tradisional.
0.0333 0.8 0.2
T2
analisis cluster, regresi
logistic, time series, dan
0.0333 0.2 0.8
analisis data eksploratori dalam studi kasus dengan
data yang sangat banyak
(Big Data) dengan menggunakan
Sofware R.
T3
penerapan resampling bootstrap pada model analisis jalur dengan menggunakan
coding menggunakan
Software R.
0.0333 0.5 0.5
Q1
Definisi, karakteristik,
dan perbandingan
analisis Big Data dengan
analisis tradisional.
0.15 0.5 0.5
Q2
Text Analysis, Exploring
Socmed Sentiment Analysis and the Weather, MapReduce, dan Tools: In
Database Analytic ; Database Techniques for
Big Data
0.15 0.3 0.3 0.4
UTS 0.25 0.3 0.4 0.3
UAS 0.35 0.2 0.4 0.4
8 Pengamatan Kelas
Selama perkuliahan mata kuliah Analisis Big Data 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 tepat pada nilai 80. 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:
- Semua CLO (CLO1, CLO2, CLO3, CLO4, CLO5) secara rata – rata mencapai nilai satisfactory, dengan rata – rata di atas 65. Pada 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 Analisis Big Data
CLO1 CLO2 CLO3 CLO4 CLO5
Rata – rata 79.9 79.51 78.53 77.41 77.83
Kategori Capaian
SATISFA CTORY
SATISFA CTORY
SATISFA CTORY
SATISFA CTORY
SATISFA CTORY Banyaknya
mahasiswa dengan CLO>60
52 52 52 52 52
Persentase mahasiswa dengan CLO>60
100 100 100 100 100
Kategori
Persentasi 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 Big Data
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 Satisfactory yaitu:
ILO1 - Menguasai konsep dasar keilmuan dan metode analisis statistika yang dapat diaplikasikan pada bidang komputasi, sosial humaniora, ekonomi, industri dan hayati
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, dan
ILO6 - Mampu mengambil keputusan secara tepat dalam menyelesaikan masalah di bidang keahliannya berdasarkan hasil analisis informasi dan data. Walaupun tidak semua mahasiswa memperoleh nilai capaian di atas 60 untuk kedua ILO tersebut, namun kategori persentase mahasiswa dengan nilai capaian di atas 60 masih HIGH.
ILO8 - 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 seluruh ILO.
Tabel 5. Deskripsi Nilai dan Kategori Capaian untuk Setiap ILO yang didukung oleh MK Analisi Big Data
ILO1 ILO
2 ILO3 ILO4 ILO5 ILO
6 ILO7 ILO8
Rata – rata
terboboti 79.7 78.66 77.94 78.69 77.94 77.94
Kategori Capaian
SATISFA CTORY
SATISFA CTORY
SATISFA CTORY
SATISFA CTORY
SATISFA CTORY
SATISFA CTORY Banyaknya
mahasiswa dengan ILO>60
52 52 52 52 52 52
Persentase mahasiswa dengan ILO?60
100 100 100 100 100 100
Kategori 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 Big Data 10 Kendala
- Kemampuan mahasiswa dalam memahami bahasa pemrograman pada Software R sehingga tidak semua mahasiswa dapat mengaplikasikan coding untuk melakukan
penyusunan algoritma (syntax) sesuai dengan mata kuliah Analisis Big Data.
- Terdapat kendala laptop masing-masing mahasiswa memiliki spesifikasi yang berbeda sehingga banyak mahasiswa yang tidak bisa meng-instal aplikasi untuk menganalisis Big Data seperti Hadoop.
- 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 1. Sedangkan statistika deskriptif dari nilai akhir dapat dilihat di Tabel 2. Rata – rata pemahaman mahasiswa adalah 78% untuk materi secara keseluruhan, dengan kurang dan lebihnya 15% dari rata-rata tersebut. Nilai terendah untuk mata kuliah Analisis Big Data adalah 72. Sedangkan nilai tertinggi sebesar 86.
Table 2. Statistika Deskriptif Nilai Akhir Analisis Big Data 2019/2020 Rata-rata 78.57933
Median 75.95069
Simpangan baku 4.714355
Range 14.09167
Minimum 72.25
Maksimum 86.34167
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 B, bahkan persentase terbesar ada pada nilai B+.
Gambar 3. Sebaran nilai akhir huruf MK Analisis Big Data 2019/2020
33%
52%
15%
0%
10%
20%
30%
40%
50%
60%
A B+ B
Persentase Nilai Huruf
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 coding dengan menggunakan Software R. Selain itu masalah spesifikasi laptop masing-masing mahasiswa mengakibatkan kurangnya software untuk menganalisis Big Data seperti Hadoop.
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 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 coding dengan menggunakan Software R agar dapat mengasah keterampilan komputasi pada mata kuliah Analisis Big Data agar dapat menyusun algoritma (syntax) dengan tepat dan cepat.
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
Pendahuluan Kontak
kuliah,
Pengantar Big Data
Menjelaska n definisi Big Data, karakteristi k, dan perbanding
an analisis big data
dengan analisis tradisional.
2 Data Analytic Big Lifecycle, Building and Understanding of Big Data Analysis
Memp erkena lkan softwa re Hadoo
p:
karakt eristik , fitur,
komp onen inti, komp onen ekosis tem
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
Menu njukka
n softwa
re yang dibutu hkan dalam pengol ahan
data dan menun jukkan
cara mema sang perang
kat terseb
ut ke PC 3 Real Time
Analytic and Big Data Analytic for Socmed
Pengo lahan data denga n Analis
is Real Time dan analisi
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
s big data pada Media
sosial 4 KUIS 1
Sem ua baha
n yang telah diaja rkan pada pert emu an ke-1 sam
pai deng an pert emu an ke-3 5 Big Data di R:
Clustering- Reduce Dimentionality
Pen gem bang an pake
t prog
ram
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
untu k anali
sis Clus terin g- Red uce Dim enti onal ity 6 Big Data di R:
PCA-Reduce Dimentionality
Pengemb angan paket program
untuk analisis
PCA- Reduce Dimentio nality 7 Big Data di R:
Regression, Classification and Logistic Regression
Pengem bangan paket program
untuk analisis Regressi on, Classific
ation and
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
Logistic Regressi
on
8 dan 9
UT
S 10 Big Data di R:
Text Analysis, Exploring Socmed Sentiment Analysis and the
Weather
Pengemba ngan paket program untuk Text
Analysis, Exploring Socmed Sentiment
Analysis and the Weather 11 Big Data di R:
MapReduce
Pengem bangan paket program
untuk MapRed
uce 12 Technology and
Tools: In Database Analytic ; Database Techniques for Big Data
Penge mbang an paket progra m untuk
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
Datab ase Analyt ic dan Datab ase Techni
ques for Big Data 13 Kuis 2
Semua bahan yang telah diajarka
n pada pertemu an ke-10
sampai dengan pertemu an ke-12 14 Machine
Learning
Penge mbang an paket progra m untuk Machi ne Learni
ng
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
15 Supervised and Unsupervised Algoritm and Example
Penge mbang an paket progra m untuk Super vised and Unsup
ervise d Algori
tm and Exam ple 16 Bootstrapping in
Marketing: A New Approach for Validating
Models
Pengem bangan paket program
untuk Bootstra pping in Marketi
ng 17
UAS
U A S Kehadiran (%) 90,87 100 97.75 100 100 100 97.75 100 97.75 97.75 100 100 100 100
Lampiran 2. Daftar Rincian Nilai
No NIM Nama Q1 Q2 T1 T2 T3 UTS UAS NA NH
1 165090500111018 Rayoga Rahmansyah 80 79 81.33 83.00 81.33 72 73.33 75.63 B+
2 165090500111025 Muhammad Alfi Zida Syukron 80 82 81.00 83.33 81.00 77 78.00 78.99 B+
3 165090501111013 Tri Setiyo Wiyono 80 82 81.67 83.33 82.33 75 77.67 78.48 B+
4 165090501111022 Fadhilah Addin Cahyani 78 80 83.00 83.00 82.00 74 67.67 74.11 B 5 165090501111036 Kartika Novianingtyas 79 79 82.00 82.67 81.67 80 67.00 75.40 B+
6 165090501111039 Pitaloka Senja Prahestya 79 83 81.33 83.33 81.33 77 67.00 75.05 B+
7 165090507111002 Izzudin Naufal 83 81 82.00 82.33 81.67 78 67.00 75.68 B+
8 165090507111009 Raden Muhammad Rais Permana 83 85 81.33 82.33 82.00 85 87.33 85.21 A 9 165090507111023 Afrils Virgian Perdana 83 85 81.33 83.33 82.00 80 87.33 83.91 A 10 165090507111027 Intan Kholiilatur Rahmaningrum 83 86 80.67 83.00 82.00 85 87.33 85.36 A 11 165090507111031 Happy Laili Nurjannah 83 85 80.67 82.33 82.00 85 87.33 85.18 A 12 165090507111035 Bahrul Senna Hamdana 79 83 81.33 82.33 83.33 78 64.67 74.59 B 13 165090507111037 Ella Zulfiana Gindy 79 85 81.67 83.00 83.00 71 72.33 75.88 B+
14 165090507111039 Intan Ayu Maulida 80 83 81.00 83.00 81.67 75 77.33 78.46 B+
15 165090507111041 Sutomo Musa Amien 83 85 81.00 81.33 82.00 85 87.33 85.16 A 16 175090500111001 Nur Khamidah 81 86 82.33 81.33 82.00 85 87.33 85.09 A 17 175090500111002 Riska Mei Anggreani 82 84 83.00 83.67 84.00 77 65.00 75.22 B+
18 175090500111003 Rismania Hartanti Putri Yulianing Damayanti 81 84 80.67 82.67 81.33 81 87.33 83.68 A 19 175090500111004 Defit Fitri Yuliana 81 84 81.33 82.67 84.00 73 68.33 75.11 B+
20 175090500111005 Alief Nur Fitriani Aziz 82 78 80.67 83.00 83.33 76 65.67 74.18 B 21 175090500111006 Andi Prasetya 83 86 82.33 82.67 82.67 87 87.33 85.88 A 22 175090500111007 Endang Krisnawati 85 86 81.67 81.67 82.67 88 87.33 86.34 A 23 175090500111008 Ina Triani 81 81 82.00 81.33 82.33 78 68.00 75.68 B+
24 175090500111009 Zaida Xaviera 82 84 82.33 83.33 85.00 65 66.00 72.49 B 25 175090500111011 Miftakhul Fajar Khoiriyah 81 83 81.67 82.67 82.00 76 69.00 75.89 B+
26 175090500111012 Aprilia Nurul Azizah 82 83 82.00 82.33 83.67 62 69.00 72.74 B 27 175090500111013 Rizki Nurani Aisha 86 86 80.33 82.67 83.00 86 87.33 85.99 A 28 175090500111014 Gusti Agung Ayu Devi Indra Suari 84 86 81.67 83.00 82.33 73 69.00 76.10 B+
29 175090500111015 Chandra Malik Syamasy 82 86 80.67 81.67 82.33 84 70.00 78.86 B+
30 175090500111016 Muhammad Irvan Reinardsyah 81 86 81.33 81.33 82.67 73 70.00 76.02 B+
31 175090500111021 Ryan Adi Nugroho 88 86 82.33 83.33 83.67 85 87.33 86.15 A 32 175090500111022 Rafif Arsalan 83 84 82.00 81.67 80.67 71 70.00 75.44 B+
33 175090500111028 Muhamad Liswansyah Pratama 85 86 81.00 83.33 83.67 87 87.33 86.27 A 34 175090500111034 Firman Indrawan Baroro 86 86 81.00 83.33 83.67 86 87.33 86.06 A 35 175090500111035 Fabiola Puspa Pratiwi 81 79 81.00 82.67 83.33 74 70.00 75.20 B+
36 175090501111002 Dimas Wahyu Nur Muhammad 83 79 81.33 82.67 83.33 70 70.00 74.47 B 37 175090501111006 Salwa Alfi Azhari 82 78 81.33 82.33 83.00 75 70.00 75.47 B+
38 175090501111008 Dara Septya Salsabilla 83 86 82.00 83.00 82.67 77 70.00 77.28 B+
39 175090501111012 Fifi Adinda Putri 81 86 82.33 82.67 83.67 77 87.33 83.12 A 40 175090501111014 Denisa Lauvil Maulidia 83 86 81.33 83.33 82.67 77 66.00 75.87 B+
41 175090501111018 Agis Wahyu Lestari 81 86 82.67 83.00 84.00 71 70.00 75.55 B+
42 175090501111022 Harsony 83 77 80.67 83.33 84.00 69 66.33 72.66 B
43 175090501111024 Yanuar Rizal Ramadhan 80 86 81.00 83.33 84.00 68 71.33 75.18 B+
44 175090501111030 Nidia Artha Wahyudi Tamin 83 83 80.67 83.33 82.67 75 66.33 75.13 B+
45 175090501111032 Fahmy Kurniawan Putra 81 84 82.33 83.00 82.33 80 66.33 76.22 B+
46 175090501111033 Achmad Nadjih Fadhelan 82 82 81.33 82.67 83.67 78 66.33 75.57 B+
47 175090501111036 Wulaida Rizky Fitrilia 81 84 82.33 82.33 83.33 84 87.33 84.55 A 48 175090507111022 Nabila Azarin Balqis 79 84 83.00 82.33 83.67 86 87.33 84.78 A 49 175090507111024 Dwi Amri Rizqi Akbar 80 84 81.67 83.00 83.33 82 66.00 76.47 B+
50 175090507111031 Greis Ully Damaiyanty Gultom 77 83 82.00 83.33 82.33 68 74.67 75.35 B+
51 175090507111034 Fatma Inas Zakiya 83 84 81.33 82.33 82.67 86 74.33 80.74 A 52 175090507111038 Ahmad Hakim Purwanto 82 84 83.00 83.33 83.67 66 64.33 72.25 B
