Portofolio Perkuliahan
UNIVERSITAS BRAWIJAYA
FAKULTAS MIPA
JURUSAN STATISTIKA / PROGRAM STUDI SARJANA STATISTIKA
Mata Kuliah:
Analisis Data Eksploratori
Kode:
MAS4228
RMK:
Ilmu Hayati
Semester:
Genap Dosen Dr. Adji Achmad Rinaldo Fernandes S.Si., M.Sc.
Pendahuluan
Mata kuliah Analisis Data Eksploratori 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, Minitab, SPSS, dsb.) 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 data eksploratori dengan statistika deskriptif, analisis statistika deskriptif dengan tabel, histogram, diagram dahan daun, boxplot serta mampu mendeteksi data pencilan pada kasus riil, analisis dengan metode QQ-plot dan pemulusan kernel serta menerapkan pada kasus riil, analisis garis resisten, penduga robust dan regresi robust serta menerapkan pada kasus riil, memiliki ketrampilan menyelesaikan kasus tabel dua arah dan tiga arah serta menerapkan pada kasus riil, kasus eksplorasi data peubah ganda.
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 Data Eksploratori ini adalah:
- CLO 1: Mahasiswa mampu memahami dan menjelaskan konsep-konsep dasar eksplorasi data dengan statistika deskriptif (LO3, LO1, LO2, LO5, LO6, LO7, LO8) - CLO 2: Mahasiswa mampu memahami, menjelaskan dan melakukan analisis
statistika deskriptif dengan tabel, histogram, diagram dahan daun, boxplot serta mampu mendeteksi data pencilan pada kasus riil (LO3, LO1, LO2, LO5, LO6, LO7, LO8).
- CLO 3: Mahasiswa mampu memahami, menjelaskan dan melakukan analisis dengan metode QQplot dan pemulusan kernel serta menerapkan pada kasus riil (LO3, LO1, LO4, LO5, LO8).
- CLO 4: Mahasiswa mampu memahami, menjelaskan dan melakukan analisis garis resisten, penduga robust dan regresi robust serta menerapkan pada kasus riil (LO3, LO1, LO4, LO5, LO8).
- CLO 5: Mahasiswa mampu memiliki ketrampilan menyelesaikan kasus tabel dua arah dan tiga arah serta menerapkan pada kasus riil (LO3, LO1, LO4, LO5, LO6, LO7, LO8).
- CLO 6: Mahasiswa mampu memiliki ketrampilan menyelesaikan kasus eksplorasi data peubah ganda (LO3, LO1, LO4, LO5, 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 Data Eksploratori dan ILO yang disajikan pada Tabel 1.
Tabel 1. Matriks Hubungan antara CLO dan ILO MK Analisis Data Eksploratori
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
CLO1 0.14 0.14 0.14 0.00 0.14 0.14 0.14 0.14
CLO2 0.14 0.14 0.14 0.00 0.14 0.14 0.14 0.14
CLO3 0.20 0.00 0.20 0.20 0.20 0.00 0.00 0.20
CLO4 0.25 0.00 0.00 0.25 0.25 0.00 0.00 0.25
CLO5 0.17 0.00 0.17 0.17 0.17 0.17 0.17 0.00
CLO6 0.14 0.00 0.14 0.14 0.14 0.14 0.14 0,14
2 Strategi Pembelajaran
Perkuliahan ini menyajikan materi yang bersifat teori dan konsep penerapan komputasi pada pengolahan Data Eksploratori dengan menggunakan R, SPSS, dan Minitab..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 contoh penerapan dalam bentuk survei, percobaan, atau simulasi 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 dengan menggunakan R, SPSS, dan Minitab.
- 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 penerapan dalam bentuk survei, percobaan, atau simulasi.
- 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 dalam bentuk survei, percobaan, atau simulasi yang dapat diolah dengan menggunakan R, Minitab, SPSS 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 2 sks. Pertemuan terjadwal satu minggu sekali (2 kali 50 menit) selama 14 minggu. Untuk UTS dilaksanakan terjadwal setelah 7 kali pertemuan, sedangkan UAS juga dilaksanakan terjadwal setelah pertemuan ke 14. Pengelolaan perkuliahan dilakukan sebagai berikut:
a. 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 komputasi statistika, sosial humaniora, ekonomi, industri dan hayati dengan bantuan perangkat lunak 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 penerapan Analisis Data Eksploratori dalam kehidupan sehari-hari dilakukan penerapan konsep peluang.
- Kuis 1 untuk menguji kemampuan mahasiswa mengenai pemahaman dan penerapan konsep peubah acak dan distribusi peluang.
- Tugas 2 untuk memperdalam wawasan konsep analisis statistika dengan pemahaman dan penerapan konsep Nilai Harapan
- Kuis 2 untuk menguji kemampuan mahasiswa mengenai analisis dengan pemahaman dan penerapan Distribusi Peluang Diskrit
- Tugas 3 untuk memperdalam wawasan dan kemampuan ketrampilan dalam menyelesaikan kasus penerapan Aplikasi Peluang dalam bentuk tugas tertulis
secara individu.
- Tugas 4 untuk memeperdalam wawasan dan kemampuan ketrampilan dalam menyelesaikan kasus metode QQplot dan Pemulusan Kernel dalam bentuk tugas tertulis secara individu
- Tugas 5 untuk memeperdalam wawasan dan kemampuan ketrampilan dalam menyelesaikan kasus Garis Resisten dalam bentuk tugas tertulis secara individu - Tugas 6 untuk memeperdalam wawasan dan kemampuan ketrampilan dalam
menyelesaikan kasus Penduga dan Regresi Robust dalam bentuk tugas tertulis secara individu.
- Tugas 7 untuk memeperdalam wawasan dan kemampuan ketrampilan dalam menyelesaikan kasus Penyelesaian tabel dua arah dan tiga arah dalam bentuk tugas tertulis secara individu.
- Tugas 8 untuk memeperdalam wawasan dan kemampuan ketrampilan dalam menyelesaikan kasus Eksplorasi data peubah ganda dalam bentuk tugas tertulis secara individu.
Semua bentuk penilaian di atas harus dikerjakan baik secara individu maupun kelompok oleh mahasiswa.
4 Isi Perkuliahan
1. Konsep dasar eksplorasi data dengan statistika deskriptif
2. Statistika deskriptif dengan tabel, histogram, diagram dahan daun 3. Boxplot serta deteksi pencilan
4. Metode QQplot dan Pemulusan Kernel 5. Garis Resisten
6. Penduga dan Regresi Robust
7. Penyelesaian tabel dua arah dan tiga arah.
8. Eksplorasi data peubah ganda.
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 2019. Untuk Analisis Data Eksploratori kelas B diikuti oleh 34 mahasiswa, dengan komposisi semua mahasiswa Angkatan 2019.
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.
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)
Assessment Bobot terhadap Nilai Akhir
CLO1 CLO2 CLO3 CLO4 CLO5 CLO6
Bobot Asesment terhadap CLO (Course Learning Outcome)
Absensi 0.05 0.2 0.2 0.1 0.2 0.2 0.1
Q1 0.10 0.0 1.0 0.0 0.0 0.0 0.0
Q2 0.10 0.0 0.0 0.5 0.5 0.0 0.0
T1 0.02 0.0 0.0 0.0 0.0 2.2 2.2
T2 0.02 0.0 0.0 1.8 1.8 2.2 2.2
T3 0.02 0.0 0.0 0.0 0.0 2.2 2.2
T4 0.02 0.0 0.0 1.8 1.8 2.2 2.2
T5 0.02 0.0 0.0 0.0 0.0 2.2 2.2
T6 0.02 0.0 0.0 1.8 1.8 2.2 2.2
T7 0.02 0.0 0.0 0.0 0.0 2.2 2.2
T8 0.02 0.0 0.0 1.8 1.8 2.2 2.2
UTS 0.30 0.4 0.6 0.0 0.0 0.0 0.0
UAS 0.30 0.0 0.0 0.2 0.2 0.3 0.3
8 Pengamatan Kelas
Selama perkuliahan mata kuliah Analisis Data Eksploratori 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 enam merepresentasikan setiap CLO, dan lintasan segi enam 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 CLO3 sampai CLO6 secara rata-rata mencapai nilai excellent, dengan rata-rata diatas 80. Sehingga secara rata-rata pada CLO ini 100% mahasiswa memperoleh nilai capaian di atas 60.
- Sesuai dengan kategori capaian yang tersaji pada Tabel 4, dapat disimpulkan bahwa CLO1 dan CLO2 secara rata-rata memperoleh nilai satisfactory, dengan rata-rata diatas 70. Sehingga secara rata-rata pada CLO ini 98% 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 Data Eksploratori
CLO1 CLO2 CLO3 CLO4 CLO5 CLO6
Rata-rata 77.29 74.14 85.07 85.34 83.6 83.42
Kategori Capaian SATISFAC TORY
SATISFAC TORY
EXCELL ENT
EXCELL ENT
EXCELL ENT
EXCELL ENT Banyaknya mahasiswa
dengan CLO>60 32 31 34 34 34 34
Persentase mahasiswa
dnegan CLO>60 94.12 91.18 100 100 100 100
Kategori 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 Analisis Data Eksploratori
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 luar 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):
- Disimpulkan bahwa ILO1, ILO3, ILO4, ILO5, ILO6, ILO7, ILO8 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 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
0 50 100CLO1
CLO2
CLO3 CLO4
CLO5 CLO6
Weighted-avg-based CLO's AI
Achievement Index of MAS62125
85 90 95 100CLO1
CLO2
CLO3 CLO4
CLO5 CLO6
Student num-based CLO's AI
Achievement Index of MAS62125
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 98% mahasiswa yang memiliki nilai capaian di atas 60 untuk semua ILO ini.
- Pada ILO2 hanya mencapai kategori Satisfactory sebanyak 98%.
ILO 2 - Mampu menyusun dan atau memilih rancangan pengumpulan/
pembangkitan data secara efisien dan menerapkan dalam bentuk survei, percobaan, atau simulasi.
Tabel 5. Deskripsi Nilai dan Kategori Capaian untuk Setiap ILO yang didukung oleh MK Analisis Data Eksploratori
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
Rata-rata 82.49 75.12 81.76 84.3 82.49 80.91 80.91 82.15 Kategori
Capaian
EXCEL LENT
SATISFA CTORY
EXCE LLENT
EXCEL LENT
EXCEL LENT
EXCEL LENT
EXCEL LENT
EXCEL LENT Banyaknya
mahasiswa dengan
CLO>60 34 31 34 34 34 34 34 34
Persentase mahasiswa dnegan CLO>60
100 91.18 100 100 100 100 100 100
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 Analisis Data Eksploratori
10 Kendala
- Kemampuan mahasiswa dalam memahami bahasa pemrograman pada Software R, SPSS, dan Minitab sehingga tidak semua mahasiswa dapat mengaplikasikan coding untuk melakukan sesuai dengan mata kuliah Analisis Data Eksploratori.
- Terdapat kendala laptop masing-masing mahasiswa memiliki spesifikasi yang berbeda sehingga banyak mahasiswa yang tidak bisa meng-instal aplikasi untuk menganalisis Data Eksploratori.
- 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 2. Sedangkan statistika deskriptif dari nilai akhir dapat dilihat di Tabel 6. Rata – rata pemahaman mahasiswa adalah 81% untuk materi secara keseluruhan, dengan kurang dan lebihnya 7% dari rata-rata tersebut. Nilai terendah untuk mata kuliah Analisis Data Eksploratori adalah 52. Sedangkan nilai tertinggi sebesar 96.
Table 6. Statistika Deskriptif Nilai Akhir Analisis Data Eksploratori 2018/2019
Rata-rata 81.47
Median 83.52
Simpangan baku 7.49
Range 44.308
Minimum 52
0 50 100ILO1
ILO2 ILO3 ILO4 ILO5
ILO6 ILO7
ILO8
Weighted-avg-based ILO's AI
Achievement Index of MAS62125
85 90 95 100ILO1
ILO2
ILO3
ILO4 ILO5
ILO6 ILO7
ILO8
Student num-based ILO's AI
Achievement Index of MAS62125
Maksimum 96.308
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 100%. Tidak terdapat mahasiswa yang mendapat nilai B+, B, C+, C, D+, D.
Gambar 3. Sebaran nilai akhir huruf MK Analisis Data Eksploratori 2018/2019 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 Software R, SPSS, dan Minitab.
Selain itu masalah spesifikasi laptop masing-masing mahasiswa mengakibatkan kurangnya software untuk menganalisis Data Eksploratori.
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
0%
20%
40%
60%
80%
100%
120%
A B+ B C+ C D+ D E
Persen Nilai Huruf
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 penanganan kasus riil menggunakan Software agar dapat mengasah keterampilan mahasiswa pada mata kuliah Analisis Data Eksploratori agar dapat mengahsilkan output dengan tepat dan cepat.
Lampiran 1
Min ggu ke
Renca na
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 da n 9
10 11 12 13 14 15 16 17
1
Pendah uluan
Kontak
kuliah,
Pengantar Analisis
Data Eksplorator
i
Menjelaska nkonsep-
konsep dasar eksplorasi data dengan
statistika deskriptif 2 Statisti
ka Deskri ptif dengan Tabel
Memperk enalkan software Hadoop:
karakteris tik, fitur, kompone
n inti, kompone
n ekosiste
m
Menunju kkan software
yang dibutuhk
Min ggu ke
Renca na
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 da n 9
10 11 12 13 14 15 16 17
an dalam pengolah an data
dan menunju kkan cara memasan
g perangkat
tersebut ke PC 3 Statisti
ka Deskri ptif dengan Histog
ram
Menjel askan tentang Statisti
ka Deskri
ptif dengan Histogr am dan penera pannya 4 KUIS
1
Semu a baha
n yang telah diajar kan pada perte muan
Min ggu ke
Renca na
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 da n 9
10 11 12 13 14 15 16 17
ke-1 samp ai deng
an perte muan
ke-3 5 Statisti
ka Deskri ptif dengan Diagra m Dahan Daun
Menjel askan tentang Statisti
ka Deskri
ptif dengan Diagra
m Dahan
Daun dan penera pannya 6 Statisti
ka Deskri ptif dengan boxplot serta Deteksi Pencil an
Menjel askan tentang Statisti
ka Deskri
ptif dengan boxplot serta Deteksi
Min ggu ke
Renca na
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 da n 9
10 11 12 13 14 15 16 17
Pencila n dan penera pannya 7 Metode
QQplot
Menjel askan tentang Metode QQplot dan penera pannya 8
dan 9
U T S 10 Pemul
usan Kernel
Menjel askan tentang Pemulu
san Kernel
dan penera pannya 11 Garis
Resiste n
Menjel askan tentang
Garis Resiste n dan penera pannya
Min ggu ke
Renca na
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 da n 9
10 11 12 13 14 15 16 17
12 Pendu ga dan Regres i Robust
Menjel askan tentang Pendug
a dan Regresi
Robust dan penera pannya 13 Kuis 2
Semu a baha
n yang telah diajar kan pada perte muan ke-10 samp
ai deng
an perte muan ke-12 14 Penyel
esaian Tabel Dua Arah
Menjel askan tentang
Tabel Dua
Min ggu ke
Renca na
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 da n 9
10 11 12 13 14 15 16 17
Arah dan Penera pannya 15 Penyel
esaian Tabel Tiga Arah
Menjel askan tentang
Tabel Tiga Arah dan Penera pannya 16 Eksplo
rasi Data Peuba h
Ganda
Menjel askan tentang Eksplor asi Data Peubah
Ganda dan penera pannya 17
UAS
U A S Kehadiran
(%) 90,04 100 100 100 98,65 100 100 100 97.72 100 100 98,65 100 100
Lampiran 2. Daftar Rincian Nilai
NIM Nama ABS Q1 Q2 T1 T2 T3 T4 T5 T6 T7 T8 UTS UAS NA NH
195090500111054 Salsabilla Rizky Putri 100 74,5 90 81.33 83.00 81.33 83,67 84,00 83,00 82,50 82,67 72 73.33 81,08 A 195090500111057 Muhammad Dzaky
Firmansyah 100 71 91,25 81.00 83.33 81.00 83,33 82,50 82,33 82,67 83,50 77 78.00 81,94 A 195090500111060 Ahmad Ulfi Jihad
Dzulqornain 92,86 72,5 90 81.67 83.33 82.33 82,50 83,50 82,83 81,00 82,67 75 77.67 81,97 A 195090500111065 Hasna Aminatuzzuhria 100 90 90 83.00 83.00 82.00 84,50 84,33 84,33 84,33 85,00 74 67.67 83,33 A 195090500111066 Shinta Istibsyaroh
Umami 100 94 90 82.00 82.67 81.67 83,67 84,00 83,00 82,83 83,00 80 67.00 85,36 A 195090500111067 Raissa Loretta Purba 92,86 64 91,25 81.33 83.33 81.33 84,33 84,00 83,50 83,33 84,50 77 67.00 74,68 B 195090501111002 Dela Wijayanti 100 70 92 82.00 82.33 81.67 83,83 82,83 82,33 82,67 83,83 78 67.00 74,83 B 195090501111006 Luthfia Hanun Yuli
Arini 100 71 90 81.33 82.33 82.00 84,33 84,67 83,00 82,50 83,33 85 87.33 90,72 A 195090501111012 Anwar Khoirudin 100 74 90,5 81.33 83.33 82.00 84,00 83,17 82,33 82,67 84,17 80 87.33 81,85 A 195090501111021 Farah Annisa Suryanto 100 69 90,5 80.67 83.00 82.00 82,67 83,67 82,83 81,00 82,83 85 87.33 81,54 A 195090501111023 Amellia Megadita
Pratiwi 100 81 90 80.67 82.33 82.00 84,50 84,33 84,33 84,33 85,00 85 87.33 91,93 A 195090501111028 Izka Ardinavaizura 100 77 92,5 81.33 82.33 83.33 83,50 83,83 83,00 82,83 82,83 78 64.67 81,45 A 195090501111031 Alvira Rohdiyana 100 74 92,25 81.67 83.00 83.00 83,50 83,17 83,50 83,33 83,67 71 72.33 72,14 B 195090501111035 Mima Vania Anathy 85,71 48 89,25 81.00 83.00 81.67 84,17 83,17 82,33 82,67 84,17 75 77.33 74,41 B 195090501111036 Maya Robiyani 100 83 95 81.00 81.33 82.00 83,83 84,17 83,00 82,50 82,83 85 87.33 79,19 B+
195090501111037 Agustina Dwi Hartati 100 66 90 82.33 81.33 82.00 84,00 83,17 82,33 82,67 84,17 85 87.33 82,95 A 195090501111038 Nadya Camelia Nur
Zahwa 100 67 91,5 83.00 83.67 84.00 83,00 84,00 82,83 81,00 83,17 77 65.00 78,66 B+
195090501111043 Nurita Azka Fitriana 100 66 90 80.67 82.67 81.33 84,50 84,33 84,33 84,33 85,00 81 87.33 81,68 A 195090501111046 Orryza Oky Astrianka 100 79 90 81.33 82.67 84.00 83,50 83,83 83,00 82,83 82,83 73 68.33 80,55 A 195090501111050 Vety Bhakti Lestari 100 65 90 80.67 83.00 83.33 83,67 83,33 83,50 83,33 83,83 76 65.67 73,23 B 195090501111051 Yayuk Lestari 100 53 80 82.33 82.67 82.67 83,33 82,33 82,33 82,67 83,33 87 87.33 74,51 B 195090501111054 Metasari Ayu Puspita
Arum 100 47 90 81.67 81.67 82.67 84,33 84,67 83,00 82,50 83,33 88 87.33 82,02 A
NIM Nama ABS Q1 Q2 T1 T2 T3 T4 T5 T6 T7 T8 UTS UAS NA NH 195090507111008 Restu Satrio Pinanggih 100 68 90 82.00 81.33 82.33 83,50 82,67 82,33 82,67 83,67 78 68.00 79,13 B+
195090507111010 Siwi Estri
Esthiningtyas 100 75 90 82.33 83.33 85.00 83,33 84,33 82,83 81,00 83,50 65 66.00 82,48 A 195090507111015 Meytha Agisha Ptri
Chrisbianto 100 61 90 81.67 82.67 82.00 84,17 84,00 84,33 84,33 84,67 76 69.00 73,21 B 195090507111017 Salsabila Ghazani 100 50 85,75 82.00 82.33 83.67 84,17 84,00 82,50 82,83 83,50 62 69.00 86,13 A 195090507111022 M. Tafana Imania
Arifin 100 45 90,5 80.33 82.67 83.00 83,67 83,33 83,50 83,33 83,83 86 87.33 72,33 B 195090507111023 Salma Aulia Yushali 100 74 91,75 81.67 83.00 82.33 83,50 82,50 82,33 82,67 83,50 73 69.00 81,34 A 195090507111024 Kamila Muazzaroh
Savitri 100 64 92,5 80.67 81.67 82.33 83,50 83,83 83,00 82,50 82,50 84 70.00 85,72 A 195090507111029 Rizal Rahagi
Adhiatma 100 72 90 81.33 81.33 82.67 84,00 83,17 82,33 82,67 84,17 73 70.00 82,55 A 195090507111033 Arditama Putra
Rochmanullah 92,86 55 90 82.33 83.33 83.67 82,83 83,83 82,83 81,00 83,00 85 87.33 88,64 A 195090507111036 Asmaul Husna 100 88,5 90 82.00 81.67 80.67 84,50 84,33 84,33 84,33 85,00 71 70.00 82,93 A 195090507111040 Alifya Salza
Khairanisa 100 74 92,25 81.00 83.33 83.67 83,83 84,17 83,00 82,83 83,17 87 87.33 80,74 A 195090507111048 Martua Abednego
Simanjuntak 100 72 90 81.00 83.33 83.67 84,33 84,00 83,50 83,33 84,50 86 87.33 90,91 A
