1
Portofolio Perkuliahan
UNIVERSITAS BRAWIJAYA
FAKULTAS MIPA
JURUSAN STATISTIKA / PROGRAM STUDI SARJANA STATISTIKA
Mata Kuliah : Pengantar Analisis Regresi
Kode:
MAS62122
RMK:
Ilmu Hayati
Semester : Genap Dosen: Achmad Efendi, S.Si., M.Sc., Ph.D
Pendahuluan
Mata kuliah Pengantar Analisis Regresi adalah mata kuliah yang sudah diampun oleh dosen pengajar selama sekitar 7 tahun. Di awal mengajar tahun 2006, kami banyak belajar dan menyamakan persepsi dengan para mahasiswa. Hal lain yang kami lakukan adalah banyak diskusi dengan para dosen senior yang telah lebih lama mengampu mata kuliah ini.
Kemudian mengenai hasil akhir dari pemahaman 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. Lebih jauh lagi, MK ini menjadi dasar dalam beberapa mata kuliah lainnya, utamanya MK Analisis Regresi Lanjutan, MK Ekonometrika, dan lain sebagainya.
1 Tujuan
Tujuan Umum:
Mata kuliah ini diberikan agar mahasiswa memahami prosedur membangun model regresi dan dapat menerapkannya untuk memberikan solusi permasalahan serta mampu meginterpretasi model secara teoritis dan praktis berdasarkan kaidah statistika.
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 7: Mampu memelihara dan mengembangkan jaringan kerja, serta
2
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) Pengantar Analisis Regresi ini adalah:
- CLO 1: Mahasiswa memahami berbagai permasalahan yang dapat disederhanakan dengan pemodelan regresi
- CLO 2: Mahasiswa mengerti dan memahami proses membangun model regresi - CLO 3: Mahasiswa mampu menerapkan analisis regresi di berbagai bidang dan
menginterpretasi hasil
- CLO 4: Mahasiswa mampu mendeteksi pelanggaran asumsi yang mendasari analisis regresi
- CLO 5: Mahasiswa mampu menyampaikan hasil pemodelan dan analisisnya secara tertulis maupun lisan, dalam bentuk laporan kelompok
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 Pengantar Analisis Regresi dan ILO yang disajikan pada Tabel 1.
Tabel 1. Matriks Hubungan antara CLO dan ILO MK Pengantar Analisis Regresi
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
CLO1 0,30 0,00 0,20 0,00 0,30 0,00 0,00 0,20
CLO2 0,20 0,20 0,20 0,20 0,20 0,00 0,00 0,00
CLO3 0,20 0,20 0,20 0,20 0,20 0,00 0,00 0,00
CLO4 0,30 0,30 0,00 0,40 0,00 0,00 0,00 0,00
CLO5 0,20 0,10 0,20 0,20 0,00 0,00 0,10 0,20
2 Strategi Pembelajaran
Perkuliahan ini menyajikan beberapa materi yang bersifat teori matematis. Untuk itu digunakan strategi berikut ini:
- Menyediakan akses materi sebelum perkuliahan (dalam file pdf/ppt dan pada forum di Google Classroom).
- Menyajikan materi secara detil, menyajikan 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 menurunkannya kembali langkah demi langkah di white board.
- Meminta masukan dari mahasiswa selama sesi penyajian materi mengenai perlunya dosen menjelaskan ulang atau memperlambat kecepatan di dalam menjelaskan.
- Memberikan latihan kasus yang serupa dengan contoh yang sudah dijelaskan dosen. Karena sifatnya latihan, maka dosen akan membantu dan menjelaskan ulang solusinya setelah mahasiswa mencoba secara individu maupun berdiskusi dengan teman.
- Memberikan tugas untuk kasus yang memerlukan banyak waktu untuk elaborasi, sehingga harus dikerjakan di rumah. Tugas dikerjakan secara mandiri di rumah,
3
dengan masih memungkinkan untuk mengakses materi/catatan.
- Menjelaskan ulang bagian-bagian yang dirasa kurang dipahami 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:
- Jadwal: Pertemuan dijadwalkan setiap hari Senin, jam 10.15 – 12.55 WIB.
- Pada setiap pertemuan, mengingat materi perkuliahan yang menuntut konsentrasi tinggi dari mahasiswa, dosen menyajikan materi pada dua sks pertama. 15 sampai 20 menit dari satu sks terakhir digunakan mahasiswa untuk berlatih, menerapkan konsep yang sudah dijelaskan pada kasus yang berbeda.
Sedangkan 30 menit terakhir dimanfaatkan untuk mengerjakan post test jika memungkinkan.
- Setiap pertemuan mempunyai capaian pembelajaran yang spesifik sesuai materi yang disampaikan. Untuk mengukur ketercapaiannya, telah dirancang pemberian kuis dan tugas. Hasil kuis dan 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 atau berkelompok oleh para mahasiswa.
Responsi
- Asisten yang memegang kelas responsi adalah: Rahayu Kartika Dewi dan M Samudra P Veridayanto.
- Responsi diselenggarakan di kelas, karena tidak memerlukan lab komputer - Diselenggarakan dengan tujuan pemantapan materi, melalui sesi diskusi dengan
asisten, latihan pengayaan soal yang bersifat teori, dan latihan analisis data.
- Materi setiap minggunya adalah hasil diskusi dengan dosen, sesuai dengan kecepatan penyampaian materi perkuliahan setiap minggunya.
- Jadwal: Responsi dilaksanakan setiap hari Selasa, jam 9.15 – 10.15.
- 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: Pendugaan parameter regresi sederhana
2. Minggu ke-6: Latihan dan contoh pendugaan persamaan regresi sederhana, manual dan memakai software
3. Minggu ke-7: Pengujian parsial parameter persamaan regresi
4. Minggu ke-10: Contoh dan latihan manual pengujian korelasi dan regresi linier sederhana
5. Minggu ke-11: Keberartian regresi melalui ANOVA, dan pemahaman matrik dan penggunaannya untuk pendugaan analisis regresi
6. Minggu ke-12: Asumsi yang mendasari analisis regresi dan penanganan
4 pelanggarannya
7. Minggu ke-13: Deteksi dan penanganan pencilan
8. Minggu ke-14: Pemilihan model regresi berganda terbaik 4 Isi Perkuliahan
- Prinsip dasar regresi dan korelasi serta pemanfaatannya dalam memberikan solusi suatu permasalahan
- Pendugaan parameter regresi sederhana dan ujinya - Keberartian regresi melalui ANOVA
- Membangun model regresi lebih dari dua peubah prediktor dengan pendekatan matriks
- Asumsi yag mendasari analisis regresi dan penanganan pelanggarannya - Deteksi dan penanganan pencilan
- Regresi berganda : penduga parameter dan pengujian serta korelasi - Pemilihan model regresi terbaik
Kesesuaian antara materi perkuliahan yang dirancang pada kurikulum dengan praktiknya 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 2019, dan beberapa dari angkatan 2018 yang karena satu dan lain hal tidak dapat mengambil mata kuliah ini pada tahun lalu. Untuk Pengantar Analisis Regresi kelas A diikuti oleh 49 mahasiswa, dengan komposisi 3 mahasiswa angkatan 2016 yang mengulang dan 46 mahasiswa angkatan 2019.
6 Persentase Kehadiran
Kehadiran dosen adalah 100% sedangkan kehadiran mahasiswa rata – rata sebesar 98%
7 Sistem Evaluasi
- Evaluasi per minggu melalui tugas dan atau kuis. Tujuan dari evaluasi ini adalah untuk menggali pemahaman mahasiswa apakah sudah sesuai dengan tujuan perkuliahan di setiap minggu/pertemuan. Hasil dari post test dan 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 mahasiswa mempunyai bayangan mengenai persiapan menghadapi UTS/UAS. Hanya saja untuk kuis mahasiswa masih diberi kesempatan membuka catatan (open resume) - 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.
5
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)
Pengantar Analisis Regresi
Asesment Materi
Bobot terhadap
Nilai akhir
CLO 1 CLO 2 CLO 3 CLO 4 CLO 5 Bobot Asesment terhadap CLO (Course Learning
Outcome)
ABS1 Kehadiran dan
keaktifan 0,1 0,20 0,20 0,20 0,20 0,20
Q1
Prinsip dasar analisis regresi;
pendugaan parameter regresi
0,1 0,33 0,33 0,00 0,00 0,33
T1
Pendugaan parameter regresi secara manual, dan uji keberartiannya
0,1 0,20 0,20 0,20 0,20 0,20
P1 Semua materi 0,1 0,20 0,20 0,20 0,20 0,20
UTS1
Pendugaan parameter regresi linier sederhana dan asumsi yang mendasarinya
0,3 0,33 0,33 0,00 0,00 0,33
UAS1
Pendugaan parameter regresi dengan matrik, deteksi pencilan, dan pemilihan model regresi terbaik
0,3 0,00 0,33 0,33 0,33 0,00
8 Pengamatan Kelas
Di dalam perkuliahan mahasiswa aktif berpartisipasi baik itu di dalam mengajukan pertanyaan maupun bersedia maju ke depan untuk menyelesaikan kasus di white board.
Sayangnya 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. Ada bahkan di antara mereka yang tidak membuka catatan apapun di atas bangku kuliah.
6
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 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 secara rata – rata mencapai nilai satisfactory, dengan rata – rata di atas 78,55.
- Capaian pembelajaran yang bersifat penerapan dan interpretasi (CLO3 - Mahasiswa mampu menerapkan analisis regresi di berbagai bidang dan menginterpretasi hasil) adalah yang paling rendah di antara semua capaian yang lain, hanya 18% mahasiswa yang memperoleh nilai capaian di atas 80.
- 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 Pengantar Analisis Regresi
CLO1 CLO2 CLO3 CLO4 CLO5
Rata -
rata 79,98 79,98 76,37 78,21 78,21
Kategori Capaian
SATISFACTO RY
SATISFACTO RY
SATISFACTO RY
SATISFACTO RY
SATISFACTO RY Banyakn
ya mahasis wa dengan CLO>60
49 49 49 49 49
Persenta se mahasis wa dnegan CLO>60
100 100 100 100 100
7 Kategori
Persenta se
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
Gambar 1. Visualisasi (a) indeks capaian dan (b) presentasi mahasiswa dengan capaian
>60 di setiap CLO MK Pengantar Analisis Regresi
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:
Terdapat 100% mahasiswa yang memiliki nilai capaian di atas 60 untuk semua ILO.
Tabel 5. Deskripsi Nilai dan Kategori Capaian untuk Setiap ILO yang didukung oleh MK Pengantar Analisis Regresi
ILO1 ILO2 ILO3 ILO4 ILO5 IL
O 6
ILO7 ILO8
0 50 100CLO1
CLO2
CLO3 CLO4
CLO5
Weighted-avg-based CLO's AI
Achievement Index of MAS62122
0 50 100CLO1
CLO2
CLO3 CLO4
CLO5
Student num-based CLO's AI
Achievement Index of MAS62122
8 Rata -
rata terbo boti
78,48 77,96 78,38 78 78,62 78,21 79,18
Kateg ori Capai an
SATISFA CTORY
SATISFA CTORY
SATISFA CTORY
SATISFA CTORY
SATISFA CTORY
SATISFA CTORY
SATISFA CTORY Bany
aknya maha siswa denga n ILO>
60
49 49 49 49 49 49 49
Perse ntase maha siswa dnega n ILO>
60
100 100 100 100 100 100 100
Kate
gori HIGH HIGH HIGH HIGH HIGH HIGH HIGH
Gambar 2. Visualisasi (a) indeks capaian dan (b) presentasi mahasiswa dengan capaian
>60 di setiap ILO yang didukung oleh MK Pengantar Analisis Regresi 10 Kendala (beri gambaran tentang hambatan utama dalam pembelajaran)
- Kemampuan/pemahaman mahasiswa mengenai Matematika Dasar yang kurang, di mana topik tersebut adalah dasar untuk memahami materi 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 (berikan distribusi nilai berikut ketercapaian capaian pembelajaran matakuliah ini)
0 20 40 60 80 100ILO1
ILO2
ILO3
ILO4 ILO5
ILO6 ILO7
ILO8
Student num-based ILO's AI
Achievement Index of MAS62122
0 20 40 60 80 100ILO1
ILO2
ILO3
ILO4 ILO5
ILO6 ILO7
ILO8
Weighted-avg-based ILO's AI
Achievement Index of MAS62122
9
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.
Tabel 6. Statistika Deskriptif Nilai Akhir Pengantar Analisis Regresi 2019/2020
Mean 78,35
Median 79,3
Mode 77,95
Simpangan baku 3,95
Range 16,35
Minimum 68,85
Maximum 85,2
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 A dan B+. 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 Pengantar Analisis Regresi 2019/2020 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
- Perlu koordinasi dengan semua 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 lebih “membumikan” bahasa teori di mata kuliah ini pada kasus – kasus
38.78% 38.78%
20.41%
2.04%
0.00% 0.00% 0.00% 0.00%
0.00%
5.00%
10.00%
15.00%
20.00%
25.00%
30.00%
35.00%
40.00%
45.00%
A B+ B C+ C D+ D E
10
terapan, untuk mempermudah pemahaman mahasiswa.
11
Lampiran 1
Min ggu ke
Rencana 1 2 3 4 5 6 7
8 da n 9
10 11 12 13 14 15 16 17
1
Kontrak Kuliah.
Pendahuluan dan Prinsip dasar regresi dan korelasi serta
pemanfaatannya dalam
memberikan solusi suatu permasalahan
Kontrak kuliah, pendahu luan &
analisis korelasi
2
Pendugaan parameter regresi sederhana
Penak siran param eter regresi
linier sederh ana
3
Latihan dan contoh pendugaan persamaan regresi sederhana, manual dan memakai software
Pers.
regresi sederh ana, dan contoh denga n manua l dan denga n Excel
4 Kuis 1 Kuis 1
12
Min ggu ke
Rencana 1 2 3 4 5 6 7
8 da n 9
10 11 12 13 14 15 16 17
5
Pengujian parsial parameter persamaan regresi
Uji parsial dan simult an
6
Contoh dan latihan manual pengujian korelasi dan regresi linier sederhana
Contoh dan latihan uji parsial dan simultan
7
Keberartian regresi melalui ANOVA
Uji hipose sis dan ANO VA
8 dan
9
U T S
10
Pemahaman matrik dan penggunaannya untuk
pendugaan analisis regresi
Inferensi regresi linier berganda dengan matrik
11
Membangun model regresi lebih dari dua peubah prediktor dengan pendekatan matriks
Pengujian hipotesis parameter regresi linier berganda
13
Min ggu ke
Rencana 1 2 3 4 5 6 7
8 da n 9
10 11 12 13 14 15 16 17
12
Asumsi yang mendasari analisis regresi dan penanganan pelanggarannya
Beberapa transform asi respon pada model regresi untuk pelanggar an asumsi
13 Kuis 2 Kuis 2
14
Deteksi dan penanganan pencilan
Tugas transf ormasi dan regresi linier bergan da
15
Pemilihan model regresi berganda terbaik
Memb ahas tugas;
Uji kesesu aian model regresi bergan da;
Interv al konfid ensi
16
Contoh dan latihan analisis berganda dan
Evaluasi materi-
materi
14
Min ggu ke
Rencana 1 2 3 4 5 6 7
8 da n 9
10 11 12 13 14 15 16 17
diskusi permasalahan- permasalahanny a
sebelum nya, deteksi pencilan
dan latihan
17 UAS UAS
Kehadiran (%) 97,96% 97,96
%
95,92
%
95,92
%
100,0 0%
100,00
%
97,96
% 97,96% 100,00% 100,00% 100,00
%
100,0 0%
100,0 0%
100,00
%
15
Lampiran 2. Daftar Rincian Nilai
No NIM Nama ABS1 Q1 T1 P1 UTS1 UAS1
1 '165090507111031 Happy Laili Nurjannah 100 65 70 88 85 70
2 '165090507111033 Indah Suciyati Fardani 100 65 70 85,5 70 90
3 '195090500111013 Nila Kandi 100 70 80 100 80 70
4 '195090500111024 Dinda Ayu Safira 100 70 100 97,75 80 70
5 '195090500111029 Muhammad Fahrezi 85,71 50 90 94 80 50
6 '195090500111040 Zakiyyah Isnaini 100 80 80 99,5 80 70
7 '195090500111041 Wahana Mulyaning Galih 100 50 90 95,3 80 65
8 '195090500111053 Muhammad Sultan Anfisako 100 80 85 85,3 80 75
9 '195090500111056 Alifio Putra Abiyuda 92,86 65 85 95,25 80 75
10 '195090500111058 Tiara Diva Adiputri Wilantari 100 50 100 97,8 80 75
11 '195090500111064 Matius Albert Anggaraksa 92,86 50 90 84,5 65 70
12 '195090500111068 Friska Nirmala Pramistyasiwi 100 70 100 98,5 65 70
13 '195090500111071 Matthew Addrian 85,71 0 100 89,1 80 70
14 '195090501111005 Faiz Ilman Huda 85,71 50 80 91 80 70
15 '195090501111008 Najla Amala Mulkita 100 50 100 98,5 70 70
16 '195090501111010 Vika Rosalia Ningtias 100 65 90 97 80 65
17 '195090501111015 Vina Khoirina Awaliya 100 85 100 99,8 80 75
18 '195090501111019 Laila Fathiyaturrahmi 100 60 100 99,5 70 70
19 '195090501111023 Amellia Megadita Pratiwi 100 60 95 92,25 80 70
20 '195090501111024 Rike Ratnari 92,86 0 95 90 85 70
21 '195090501111026 Nuraini 100 85 100 87,85 80 75
22 '195090501111033 Rindu Hardianti 100 60 100 84,5 75 70
23 '195090501111039 Evi Puspitasari 100 50 100 75,75 60 70
24 '195090501111042 Sefia Dini Sabrina 100 65 80 98 80 70
25 '195090501111043 Nurita Azka Fitriana 100 80 95 97 80 70
26 '195090501111045 Raihanah Nada Ayu Dzakirah 100 70 100 94 80 70
16
27 '195090501111048 Tasya Erli Febrianti 100 50 100 97,6 65 65
28 '195090501111051 Yayuk Lestari 100 0 90 94,1 80 70
29 '195090507111001 Ahza Fikri Indrastata 100 85 85 90,5 90 70
30 '195090507111002 Muhammad Afif Hilmy 92,86 60 80 80,5 80 70
31 '195090507111004 Salsabila Pertiwi Wibowo 100 65 90 97,1 80 70
32 '195090507111005 Muhammad Rizky Zaidan 92,86 50 100 91,1 80 70
33 '195090507111007 Galih Rafi Astagina 92,86 80 90 91,65 80 70
34 '195090507111008 Restu Satrio Pinanggih 100 85 85 97,25 80 70
35 '195090507111014 Muhammad Nafis Sunaryo 100 65 80 91,25 80 70
36 '195090507111019 Pedro Putrananda Lende 92,86 70 100 91,75 80 70
37 '195090507111024 Kamila Muazzaroh Savitri 100 65 0 98,5 90 70
38 '195090507111027 Galang Rahman Saputra 92,86 80 80 92,05 65 65
39 '195090507111032 Firdiana Kartika Sari 100 70 100 97 70 65
40 '195090507111035 Regina Syahla Fauztina 100 50 100 78,5 60 60
41 '195090507111036 Asmaul Husna 100 80 95 97 90 70
42 '195090507111037 Nadine Gita Cahyani 100 70 100 92,25 80 60
43 '195090507111038 Nizar Darmawan 100 70 85 94,25 80 70
44 '195090507111039 Deta Salsabila 100 70 100 92 90 65
45 '195090507111040 Alifya Salza Khairanisa 100 60 100 91 90 70
46 '195090507111041 Abi Wildan Ghilmanul Faqih 100 80 90 91,65 75 70
47 '195090507111046 Ni Ketut Suryastini 100 65 80 99,5 80 70
48 '195090507111051 Beliana Putri Permatasari 100 60 100 93,55 80 70
49 '195090507111052 Inayah Wijaya Adnan 100 70 0 97,6 80 65
