Portofolio Perkuliahan
UNIVERSITAS BRAWIJAYA
FAKULTAS MIPA
JURUSAN STATISTIKA / PROGRAM STUDI SARJANA STATISTIKA
Mata Kuliah:
Analisis Multivariat I
Kode:
MAS62123
RMK:
Teori dan Komputasi
Semester:
Genap Dosen Dr. Adji Achmad R. S.Si., M.Sc.
Pendahuluan
Mata kuliah Analisis Multivariat I 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 Microsoft Excel). 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 dalam analisis multivariat dan mampu menentukan model (analisis) yang sesuai dengan data 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, sosial humaniora, ekonomi, industri dan hayati.
- ILO 2: Mampu menyusun dan atau memilih rancangan pengumpulan/
pembangkitan data secara efisien dan menerapkan dalam bentuk survei, percobaan, atau simulasi.
- ILO 3: Mampu mengelola dan menganalisis data, menyelesaikan permasalahan nyata menggunakan metode statistika di bidang komputasi statistika, sosial humaniora, ekonomi, industri dan hayati dengan bantuan perangkat lunak, serta menyajikan dan mengkomunikasikan hasilnya.
- ILO 4: Menguasai minimal dua perangkat lunak statistika, termasuk yang berbasis open source.
- ILO 5: Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif secara mandiri, dengan hasil yang bermutu dan terukur dalam implementasi
ilmu pengetahuan dan teknologi yang menerapkan nilai humaniora berdasarkan kaidah, tata cara dan etika ilmiah.
- ILO 6: Mampu mengambil keputusan secara tepat dalam menyelesaikan masalah di bidang keahliannya berdasarkan hasil analisis informasi dan data.
- ILO 7: Mampu memelihara dan mengembangkan jaringan kerja, serta melakukan supervisi dan evaluasi terhadap kinerja tim yang dipimpinnya.
- ILO 8: Mampu menerapkan dan menginternalisasi semangat kemandirian, kejuangan, kewirausahaan berdasarkan nilai, norma, dan etika akademik serta nilai Pancasila dalam segala aspek kehidupan.
Sedangkan capaian pembelajaran dari Mata Kuliah (Course Learning Outcome - CLO) Analisis Multivariat I ini adalah:
- CLO 1: Mahasiswa mampu menjelaskan konsep-konsep dasar dalam analisis multivariat dan mampu menentukan model (analisis) yang sesuai dengan data - CLO 2: Mahasiswa mampu menggunakan aljabar matriks dalam penyajian data
multivariat
- CLO 3: Mahasiswa mampu melakukan penaksiran parameter dalam multivariat normal
- CLO 4: Mahasiswa mampu mengelompokkan data kontinu serta mampu menjelaskan bivariat anova, dan multivariat anova
- CLO 5: Mampu menentukan metode analisis statistika yang tepat
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 Analisis Multivariat I
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
CLO1 0.5 0 0.5 0 0 0 0 0
CLO2 0 0 0 0 0.5 0.5 0 0
CLO3 0 0 0 0.50 0 0 0 0.5
CLO4 0 0.5 0 0.50 0 0 0 0
CLO5 0.25 0 0.25 0.25 0 0 0.25 0
2 Strategi Pembelajaran
Perkuliahan ini menyajikan materi yang bersifat teori dan konsep penerapan analisis data dengan menggunakan program R. Untuk itu digunakan strategi berikut ini:
- Menyediakan akses materi sebelum perkuliahan (dalam file pdf/ppt) yang dibagikan melalui ketua kelas, dan forum pada Whatsapp Group. 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 analisis multivariat, 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 praktikum untuk memberi penjelasan materi yang disampaikan di kelas dan latihan analisis data tambahan kepada mahasiswa pada sesi praktikum.
-
3 Pengelolaan Perkuliahan
Mata kuliah ini adalah mata kuliah 3 sks dengan praktikum. Pertemuan terjadwal satu minggu sekali (3 kali 50 menit) selama 14 minggu, dan 8 kali praktikum oleh asisten praktikum (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 Selasa, 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 matriks varian-kovarian, matriks korelasi, konsep eigen vector dan eigen value, dan analisis uji simultan matriks korelasi data multivariat.
- Tugas 2 untuk menerapkan konsep analisis uji distribusi normal multivariat dan analisis komponen utama (PCA) pada data Mdgs
- Tugas 3 untuk mengetahui perbandingan analisis anova dan analisis manova, juga untuk mengetahui konsep penerapan analisis profil T2-Hotelling
- Kuis 1 mengenai perbedaan analisis komponen utama dan analisis faktor, perbandingan analisis anova dan analisis manova
- Tugas 4 untuk mengetahui konsep penerapan repeated measurement multivariate
- Tugas 5 untuk mengetahui konsep penerapan analisis korelasi kanonik dan analisis diskriminan secara multivariat
- Kuis 2 mengenai penerapan analisis yang dipelajari pada mata kuliah Analisis Multivariat I pada suatu kasus permasalahan data multivariat.
- Individual project mengenai pembuatan ide/topik baru mengenai materi yang dipelajari pada mata kuliah Analisis Multivariat I dalam bentuk rancangan penelitian pada kasus data mulvariat yang dikerjakan secara individual dengan menyusun proposal hingga rancangan hasil.
Untuk penilaian tugas akan dibagi menjadi T1 yang bermakna Tugas Sebelum UTS yakni Tugas 1, Tugas 2, Tugas 3 dan T2 yang bermakna Tugas Setelah UTS yakni Tugas 4 dan Tugas 5. Semua bentuk penilaian di atas harus dikerjakan baik secara individu maupun kelompok oleh mahasiswa
Praktikum
a. Asisten yang memegang kelas praktikum adalah: Teddy Armana Bastanta Surbakti, Indah S. Fardani, Intan Kholilatur R, Adam Makinun Amin
b. Praktikum diselenggarakan di kelas dengan membawa laptop masing-masing.
c. Diselenggarakan dengan tujuan pemantapan materi, melalui sesi diskusi dan praktikum pengoperasian program yang mendukung materi mata kuliah Analisis Multivariat I dengan asisten praktikum dan latihan analisis data.
d. Materi praktikum yang disampaikan setiap minggunya adalah hasil diskusi dengan dosen, sesuai dengan kecepatan penyampaian materi perkuliahan setiap pertemuan di kelas.
e. Jadwal: praktikum dilaksanakan setiap hari Kamis, jam 16.00 – 17.00.
f. Praktikum diselenggarakan 8 kali, dan baru dapat dimulai pada minggu ke 5 (kebijakan PS untuk memberi waktu dalam penjaringan asisten praktikum 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: Praktikum analisis T2-Hotelling.
2. Minggu ke-6: Praktikum analisis MANOVA
3. Minggu ke-7: Pemberian Tugas Praktikum 1 dan UTP: analisis T2-Hotelling dan analisis MANOVA.
4. Minggu ke-10: Membahas jawaban pada Tugas Praktikum 1 5. Minggu ke-11: Praktikum analisis Repeated Measurement 6. Minggu ke-12: Praktikum analisis Cluster
7. Minggu ke-13: Praktikum analisis Diskriminan
8. Minggu ke-14: Pemberian Tugas Praktikum 2 dan UAP 4 Isi Perkuliahan
- Penjelasan prinsip dasar analisis univariat dan analisis multivariat
- Penjelasan materi dan prinsip dasar aljabar matriks dalam analisis multivariat - Penjelasan materi dan prinsip dasar geometri sampel dan random sampling - Penjelasan prinsip distribusi normal multivariat
- Penjelasan materi dan prinsip inferensi vektor rata-rata, perbandingan rata-rata dalam multivariat
- Penjelasan prinsip analisis komponen utama dan analisis faktor - Penjelasan prinsip analisis cluster.
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 2017. Untuk Analisis Multivariat I kelas A diikuti oleh 35 mahasiswa, dengan komposisi seluruhnya adalah 35 mahasiswa angkatan 2017. Namun terdapat 1 orang mahasiswi yang tidak bias mengikuti dikarenakan alasan cuti/lainnya.
6 Persentase Kehadiran
Kehadiran dosen yakni sebesar 100% dan kehadiran mahasiswa yakni sebesar 100%
Hanya saja terdapat 1 mahasiswa yang tidak dapat mengikuti perkuliahan dari awal sampai akhir dikarenakan cuti/alasan lainnya.
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 dapat diselenggarakan secara terjadwal oleh sistem akademik atau pemberian tugas besar yang diberikan pada tiap mahasiswa dalam bentuk individual project.
- Evaluasi hasil praktikum, yang diberikan oleh asisten praktikum. Aspek penilaian adalah keaktifan dan pemahaman materi dari tugas – tugas praktikum yang diberikan asisten praktikum. Asisten praktikum menentukan tipe soal pada tugas praktikum setelah berkonsultasi terlebih dahulu dengan dosen.
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 Respon Permukaan
(Course Learning Outcome – CLO)
Asesmen Bobot terhadap Nilai Akhir
CLO 1 CLO 2 CLO 3 CLO 4 CLO 5 Bobot Asesment terhadap CLO (Course Learning Outcome)
T1 0,05 0.3 0.4 0.3 0 0
T2 0.05 0 0 0 0.5 0.5
Q1 0.15 0.3 0.4 0.3 0 0
Q2 0.15 0 0 0 0.5 0.5
UTS 0.2 0.3 0.4 0.3 0 0
UAS 0.2 0 0 0 0.5 0.5
Praktikum 0.2 0.2 0.2 0.2 0.2 0.2
8 Pengamatan Kelas
Selama perkuliahan mata kuliah Analisis Multivariat I terdapat mahasiswa aktif yang berpartisipasi dalam merespon atau menanggapi penjelasan materi oleh dosen. Hal tersebut dapat dilihat dari beberapa mahasiswa yang telah mengajukan pertanyaan maupun bersedia maju ke depan untuk menyelesaikan soal/kasus di white board. Akan tetapi dapat diakumulasikan hanya sekitar 50% dari mahasiswa tersebut yang berpartisipasi aktif. Beberapa mahasiswa yang mengikuti perkuliahan juga memiliki pola duduk tertentu di dalam kelas. Lima puluh persen mahasiswa yang termasuk kategori aktif ini adalah mahasiswa yang duduk di 2 barisan terdepan. sedangkan mahasiswa yang duduk di 3 baris belakangnya teramati lebih bersifat pasif namun hal ini tidak sepenuhnya valid.
Sehingga muncul beberapa pengamatan bagi mahasiswa yang bersifat pasif yakni
sebagai berikut:
- Berpandangan kosong di kelas
- Tidak memiliki respons atau tanggapan ketika diminta informasi materi berdasarkan pemahaman mereka
- Hanya menonton penjelasan dan penurunan rumus yang dilakukan dosen di white board tanpa mengamati dan membuat catatan atau menjabarkannya sendiri - Di antara mereka bahkan ada yang tidak membuka catatan apapun di atas
bangku kuliah.
Maka untuk mengantisipasi kecepatan pemahaman yang tidak seragam ini. upaya yang dilakukan dosen adalah mengatur ulang waktu penyampaian. sesuai dengan observasi mengenai pemahaman mahasiswa. Oleh karena itu ada beberapa materi yang diundurkan waktu penyampaiannya pada minggu setelah jadwal yang seharusnya. tanpa mengurangi keseluruhan materi yang harus disampaikan dan juga dengan memberikan tugas secara individu atau kelompok sehingga mendorong mahasiswa tersebut untuk belajar dan memahami secara mandiri dan sesama mahasiswa lainnya.
9 Hasil Belajar
Hasil belajar setiap mahasiswa tercermin dari nilai di setiap assessment. Nilai – nilai tersebut dengan bobot masing – masing diolah menjadi nilai akhir, yang nantinya sesuai dengan aturan konversi, dirubah menjadi nilai angka yang dicetak pada KHS/Transkrip mahasiswa. Selain diolah menjadi nilai akhir, nilai di setiap assessment, dengan memperhatikan persentase kontribusi CLO terhadap setiap ILO (Tabel 1) dan bobot setiap assessment terhadap CLO (Tabel 2), diolah dengan bantuan software OBES, sehingga setiap mahasiswa juga mempunyai nilai di setiap CLO dan ILO.
Deskripsi nilai dari setiap CLO dapat dilihat pada Tabel 3, dan Gambar 1. Gambar 1 (a) menyajikan indeks capaian rata – rata mahasiswa pada masing – masing CLO. Gambar 1 (b) menyajikan persentase mahasiswa dengan nilai capaian di atas 60. Pada kedua gambar, setiap sudut dari segi 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 bahwa CLO1 sampai CLO5 secara rata-rata mencapai nilai excellent, dengan rata-rata diatas 80. Sehingga secara rata-rata pada semua CLO ini 99%
mahasiswa memperoleh nilai capaian di atas 60. Hanya ada 1 mahasiswa yang tidak mengikuti perkuliahan dari awal dikarenakan cuti/alasan lainnya.
- 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 Multivariat I
CLO1 CLO2 CLO3 CLO4 CLO5
Rata - rata 81.63 81.16 81.83 81.97 81.97
Kategori Capaian
EXCELL ENT
EXCELL ENT
EXCELL ENT
EXCELL ENT
EXCELL ENT
Banyaknya mahasiswa 34 34 34 34 34
200 4060 10080CLO1
CLO2
CLO3 CLO4
CLO5
Weighted-avg-based CLO's AI
Achievement Index of MAS62123
9596 9798 10099CLO1
CLO2
CLO3 CLO4
CLO5
Student num-based CLO's AI
Achievement Index of MAS62123 dengan CLO>60
Persentase mahasiswa dnegan CLO>60
97.14 97.14 97.14 97.14 97.14
Kategori Persentase 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 Multivariat I
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.
- 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 99% mahasiswa yang memiliki nilai capaian di atas 60 untuk semua ILO ini.
Hanya ada 1 mahasiswa yang tidak mengikuti perkuliahan dari awal dikarenakan cuti/alasan lainnya.
Tabel 5. Deskripsi Nilai dan Kategori Capaian untuk Setiap ILO yang didukung oleh MK Analisis Multivariat I
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
Rata - rata terboboti
81,77 81,97 81,77 81,92 81,16 81,16 81,97 81,83
Kategori Capaian
EXCEL LENT
EXCEL LENT
EXCEL LENT
EXCEL LENT
EXCEL LENT
EXCEL LENT
EXCEL LENT
EXCEL LENT Banyakn
ya mahasis wa dengan ILO>60
34 34 34 34 34 34 34 34
Persentas e mahasis wa dnegan ILO>60
97,14 97,14 97,14 97,14 97,14 97,14 97,14 97,14
94 96 98 100ILO1
ILO2
ILO3
ILO4 ILO5
ILO6 ILO7
ILO8
Student num-based ILO's AI
Achievement Index of MAS62123
Kategori HIGH HIGH HIGH HIGH HIGH HIGH HIGH HIGH
(a) (b)
Gambar 2. Visualisasi (a) indeks capaian dan (b) presentasi mahasiswa dengan capaian
>60 di setiap ILO yang didukung oleh MK Analisis Multivariat I 10 Kendala
- Kemampuan mahasiswa dalam memahami bahasa pemrograman pada Software R sehingga tidak semua mahasiswa dapat mengaplikasikan coding untuk melakukan analisis sesuai dengan mata kuliah Analisis Multivariat I. Sehingga banyak mahasiswa yang mengerjakan manual dengan Ms.Excel atau bahkan hanya menyalin kodingan mahasiswa lain.
- Penyelenggaran kuliah secara online pada separuh semester 6 (setalah UTS) Harus diselenggarakannya kuliah secara online pada paruh semester kedua.
dikarenakan terdapat wabah Covid-19. Sehingga menyebabkan dosen kurang leluasa dalam memberikan penjelasan kepada mahasiswa seperti di kelas secara tatap muka. Hal ini juga berakibat pada kurangnya dosen dalam mengawasi dan menggali pemahaman setiap mahasiswa yang biasanya dapat dilakukan secara maksimal ketika tatap muka di kelas perkuliahan.
-
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 82%
untuk materi secara keseluruhan, dengan kurang dan lebihnya 14% dari rata – rata tersebut. Terdapat satu mahasiswa dengan pemahaman paling rendah nilai 0.
Dikarenakan tidak mengikuti perkuliahan dari awal hingga akhir dengan alasan cuti/lainnya. Namun ada pula mahasiswa yang berhasil optimal memahami materi dengan nilai 87.
Tabel 6. Statistika Deskriptif Nilai Akhir Analisis Multivariat I 2019/2020
Rata rata 81.74
0 50 100ILO1
ILO2
ILO3
ILO4 ILO5
ILO6 ILO7
ILO8
Weighted-avg-based ILO's AI
Achievement Index of MAS62123
Median 84.81
Simpangan baku 14.43
Range 87.18
Minimum 0
Maksimum 87.18
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 89%. Dan terdapat nilai B+ yakni sebesar 9%. Tidak terdapat mahasiswa yang mendapat nilai C+, C, D+, D. Hanya saja terdapat 1 orang mahasiswa yang mendapat nilai E karena cuti/alasan lainnya.
Gambar 3. Sebaran nilai akhir huruf MK Analisis Multivariat I 2019/2020 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 sehingga dosen akan memberikan kemudahan dengan menggunakan package yang tersedia atau manual dengan menggunakan Ms.Excel.
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
A B+ B C+ C D+ D E
Persen Nilai Huruf
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 Multivariat I agar dapat mengolah data dengan populasi yang lebih besar secara efektif dan efisien.
Lampiran 1
Min ggu 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,
Penjelasan konsep- konsep dasar
dalam analisis data
2 Metode statistika di bidang komputasi statistika, sosial humaniora, ekonomi, industri dan hayati
Penjelasan metode statistika di bidang komputasi
statistika, sosial humaniora , ekonomi,
industri dan hayati
3 Konsep penyusunan atau pemilihan rancangan penelitian
Penjelasa n konsep penyusun an atau pemilihan rancangan penelitian
4 Penerapan penelitian
Penjela san dan melaku
kan penera
pan
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 12 13 14 15 16 17
peneliti an 5 KUIS 1
Semua bahan yang telah diajarka n pada pertemu an ke-1 sampai dengan pertemu an ke-3
6 Penerapan pengelola dan analisis data menggunakan metode statistika yang tepat
Penjelasa n penerapa n pengelola dan analisis data menggun akan metode statistika yang tepat
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 12 13 14 15 16 17
7 Penerapan aljabar matriks dalam penyajian data multivariat
Penjelas an penerap an aljabar matriks dalam penyajia n data multivar iat
8 dan 9
UT
S
10 Pembelajaran berpikir kritis
Melatih dan menjelask an pembelaja ran berpikir kritis
11 Pengenalan nilai humaniora
Melatih mahasis wa untuk menerap kkan nilai humanio ra
Min ggu 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 Pembelajaran dalam memecahkan suatu masalah
Melati h mahas iswa menye lesaik an masal ah
13 Pembelajaran untuk mengembakan jaringan kerja
Melatih mahasis wa untuk mengem bangkan jaringan kerja
14 Kuis
Semua bahan yang telah diajar kan pada perte muan ke-10 sampa i denga n perte
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 12 13 14 15 16 17
muan ke-12 15 Pembelajaran
interpretasi hasil analisis data
Menje lasan cara mengi nterpr etasik an hasil yang dipero leh denga n tepat
16 Mengevaluasi pembelajaran
Melatih Mahasis
wa untuk persiapa
n ujian
17
UAS
U A S
Kehadiran (%) 87,98 100 99,01 100 100 98,76 100 100 98,76 98,76 100 100 100 100
Lampiran 2. Daftar Rincian Nilai
NIM Nama P1 TUGAS 1 TUGAS 2 Q1 Q2 UTS UAS
'175090500111011 Miftakhul Fajar Khoiriyah 74.3 90 85 70 70 85 85
'175090500111012 Aprilia Nurul Azizah 78.8 90 85 75 85 85 90
'175090500111015 Chandra Malik Syamasy 87.55 85 90 65 65 85 85
'175090500111017 Erlinda Citra Lucki Efendi 78.35 90 85 80 85 85 95
'175090500111021 Ryan Adi Nugroho 92.2 85 90 75 85 90 80
'175090500111023 Nurul Rismasari 77.9 90 85 85 85 90 85
'175090500111025 Neri Krismonisa 0 0 0 0 0 0 0
'175090500111026 Tamara Rezti Syafriana 89.95 85 90 75 80 90 80
'175090500111027 Triardy Satria Wibawa 90.55 85 90 75 85 90 90
'175090500111028 Muhamad Liswansyah Pratama 86.35 90 85 80 85 85 80
'175090500111040 Mita Sari Indriyanti 88.1 85 85 70 65 75 75
'175090501111001 Hilda Irawati 92.8 90 85 80 80 85 90
'175090501111008 Dara Septya Salsabilla 90.7 85 90 70 65 85 85
'175090501111010 Djihan Wahyuni 93.7 85 90 80 80 85 90
'175090501111012 Fifi Adinda Putri 87.85 90 85 75 75 85 85
'175090501111013 Inka Dia Rista 95.2 90 85 75 80 90 90
'175090501111014 Denisa Lauvil Maulidia 90.1 90 85 80 80 85 90
'175090501111015 Aliyah Husnun Azizah 91 85 90 80 85 85 85
'175090501111017 Dinda Barristya Rahma 90.35 90 85 80 85 90 85
'175090501111020 Kushartanti Alifah 80.65 90 85 80 85 90 90
'175090501111036 Wulaida Rizky Fitrilia 90.55 85 90 75 80 80 95
'175090507111006 Putri Apriliyanti 88.75 90 85 75 75 85 85
'175090507111007 Reza Afdhalul Arsa 81.1 90 85 80 80 85 85
'175090507111008 Engelberta Vania 94.3 85 90 80 75 85 85
'175090507111009 Diah Ayu Mayliana Sari 80.65 90 85 80 80 85 75
'175090507111015 Fathiyatul Laili Nur Rasyidah 88.4 85 90 80 85 85 95
'175090507111019 Nawang Ajeng Haksoro 89.95 85 90 75 75 90 80
NIM Nama P1 TUGAS 1 TUGAS 2 Q1 Q2 UTS UAS
'175090507111020 Yunia Hasnataeni 87.55 80 95 80 75 80 90
'175090507111021 Adinda Reyna Maulidia 92.8 80 90 80 85 80 85
'175090507111022 Nabila Azarin Balqis 95.65 90 85 85 75 95 80
'175090507111023 Zinedin Zidan 85.3 85 90 80 85 85 95
'175090507111025 Dimas Ananta Ariestia 92.05 85 90 75 75 85 85
'175090507111026 Divia Avonita 85.3 90 85 75 80 95 85
'175090507111033 Augy Kezia Anggoro 91.15 85 90 75 85 80 80
'175090507111034 Fatma Inas Zakiya 84.7 85 90 80 80 85 90
