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.Ir. Solimun, MS
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 baik secara teoritis dan empiris pada metode analisis statistika yang dapat diaplikasikan pada bidang komputasi, sosial humaniora, ekonomi, industri dan hayati maupun bidang lainnya.
- ILO 2: 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 dan adab kemanusisaan berdasarkan kaidah, tata cara dan etika ilmiah.
- ILO 3: Mampu mengambil keputusan secara tepat dalam menyelesaikan masalah di bidang keahliannya berdasarkan hasil analisis informasi dan data - ILO 4: 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 menggunakan aljabar matriks dalam penyajian data multivariat
- CLO 2: Melakukan penaksiran parameter dalam multivariat normal - CLO 3: Mahasiswa mampu mengelompokkan data kontinyu serta mampu
menjelaskan bivariat anova dan multivariat anova
- CLO 4: Mahasiswa mampu menerapkan konsep analisis faktor, analisis komponen utama, analisis cluster, dan analisis diskriminan
- CLO 5: Mahasiswa mampu menyampaikan konsep yang dipahaminya dalam bentuk tugas menganalisis suatu data multivariat baik secara individu maupun 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 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 0,5 0 0 0 0,5
CLO4 0 0,5 0 0,5 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 format file pdf/ppt) yang dibagikan melalui ketua kelas, dan forum pada Google Meet atau Zoom.
Memberikan sanksi yang tegas terhadap mahasiswa yang diketahu melakukan plagiasi antar teman mahasiswanya.
- 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 tugas kepada mahasiswa untuk berkesempatan merangkum materi yang akan diajarkan pada pertemuan berikutnya untuk dibahas bersama dosen.
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:
- 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 menyimak dan mencatat materi yang telah disampaikan oleh dosen pengampu, menerapkan konsep analisis yang sudah dijelaskan pada kasus yang diberikan. Sedangkan 20 menit terakhir dimanfaatkan untuk melakukan diskusi forum kelas dan ditanggapi oleh dosen sesuai dengan materi yang disampaikan hari itu dengan jawaban yang tepat.
- Setiap pertemuan mempunyai capaian pembelajaran yang spesifik sesuai materi yang disampaikan. Untuk mengukur ketercapaiannya, telah dirancang tugas yang dikerjakan baik secara individu maupun kelompok. Hasil 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)
- 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.
Semua bentuk penilaian di atas harus dikerjakan baik secara individu maupun kelompok oleh mahasiswa agar dapat menunjang hasil penilaian yang baik.
Praktikum
- Asisten yang memegang kelas praktikum adalah: Nadillah Nur Yasmin dan Alfisyah Muharramah Irdiana.
- Praktikum diselenggarakan di kelas dengan membawa laptop masing-masing.
- 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.
- Materi praktikum yang disampaikan setiap minggunya adalah hasil diskusi dengan dosen, sesuai dengan kecepatan penyampaian materi perkuliahan setiap pertemuan di kelas.
- Jadwal: praktikum dilaksanakan setiap hari Selasa, jam 16.00 – 17.00.
- 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 Komponen Utama dan Analisis Faktor 2. Minggu ke-6: Praktikum analisis MANOVA
3. Minggu ke-7: Pemberian Tugas Praktikum 1 dan UTP : Analisis Komponen Utama dan Analisis Faktor 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 36 mahasiswa, dengan komposisi seluruhnya adalah 36 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 yang diberikan pada tiap pertemuan. Dalam pengerjaan tugas dilakukan secara individu maupun kelompok. Tujuan dari evaluasi ini adalah untuk menggali pemahaman mahasiswa apakah sudah sesuai dengan tujuan perkuliahan di setiap minggu/pertemuan. Selain itu mahasiswa diberikan kesempatan untuk merangkum materi yang akan diajarkan pada pertemuan berikutnya agar kondisi di kelas dapat berinteraksi dua arah yakni antara dosen dengan mahasiswa.
- 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.
- 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 (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) P1 Prinsip dasar
Analisis Univariat dan Analisis Multivariat
0,2 0,2 0,2 0,2 0,2 0,2
T1 prinsip dasar aljabar matriks dalam analisis multivariat
0,05 0,3 0,4 0,3 0 0
T2 prinsip dasar geometri sampel dan random sampling
0,05 0 0 0 0,5 0,5
Q1 prinsip distribusi normal
multivariat
0,15 0,3 0,4 0,3 0 0
Q2 prinsip inferensi vektor rata-rata, perbandingan rata-rata dalam multivariat
0,15 0 0 0 0,5 0,5
UTS1 analisis
komponen utama dan analisis faktor
0,2 0,3 0,3 0,4 0 0
UAS analisis cluster. 0,2 0 0 0 0,5 0,5
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 beberapa hal berikut ini:
- Hanya CLO5 (Kemampuan menyampaikan konsep yang dipahaminya dalam bentuk tugas tertulis secara individu) secara rata – rata mencapai nilai excellent, dengan rata – rata di atas 80. Pada CLO ini 100% mahasiswa memperoleh nilai capaian di atas 60.
- CLO selain CLO5 selainnya berada pada kategori pencapaian satisfactory.
- Capaian pembelajaran yang bersifat penurunan teori (CLO2 - Mahasiswa mampu menurunkan sifat - sifat kebaikan penduga) adalah yang paling rendah di antara semua capaian yang lain, dengan persentase terendah (81%) mahasiswa yang memperoleh nilai capaian di atas 60.
- Semua CLO berada pada kategori persentase tinggi (HIGH) dalam hal banyaknya mahasiswa dengan nilai capaian di atas 60.
0 20 40 60 80 100CLO1
CLO2
CLO3 CLO4
CLO5
Student num-based CLO's AI
Achievement Index of MAS62123
Tabel 3. Deskripsi Nilai dan Kategori Capaian untuk Setiap CLO MK Analisis Multivariat I
CLO1 CLO2 CLO3 CLO4 CLO5
Rata - rata 79,83 79,65 79,37 79,65 79,65
Kategori Capaian SATISFA
CTORY
SATISFA CTORY
SATISFA CTORY
SATISFA CTORY
SATISFA CTORY Banyaknya mahasiswa
dengan CLO>60 36 36 36 36 36
Persentase mahasiswa
dnegan CLO>60 100 100 100 100 100
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
0 20 40 60 80 100CLO1
CLO2
CLO3 CLO4
CLO5
Weighted-avg-based CLO's AI
Achievement Index of MAS62123
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:
ILO 1: Menguasai konsep dasar keilmuan baik secara teoritis dan empiris pada metode analisis statistika yang dapat diaplikasikan pada bidang komputasi, sosial humaniora, ekonomi, industri dan hayati maupun bidang lainnya.
ILO 2: 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 dan adab kemanusisaan berdasarkan kaidah, tata cara dan etika ilmiah.
ILO 3: Mampu mengambil keputusan secara tepat dalam menyelesaikan masalah di bidang keahliannya berdasarkan hasil analisis informasi dan data ILO 4: Mampu menerapkan dan menginternalisasi semangat kemandirian, kejuangan, kewirausahaan berdasarkan nilai, norma, dan etika akademik serta nilai Pancasila dalam segala aspek kehidupan.
Walaupun tidak semua mahasiswa memperoleh nilai capaian di atas 60 untuk semua ILO tersebut, namun kategori persentase mahasiswa dengan nilai capaian di atas 60 masih HIGH.
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
79,75 79,65 79,75 79,56 79,65 79,65 79,65 79,37
Kategori Capaian
SATIS FACT ORY
SATIS FACT ORY
SATIS FACT ORY
SATIS FACT ORY
SATIS FACT ORY
SATIS FACT ORY
SATIS FACT ORY
SATIS FACT ORY Banyaknya
mahasiswa
dengan ILO>60 36 36 36 36 36 36 36 36
Persentase mahasiswa
dnegan ILO>60 100 100 100 100 100 100 100 100
Kategori HIGH HIGH HIGH HIGH HIGH HIGH HIGH HIGH
(a) (b)
Gambar 2. Visualisasi (a) indeks capaian dan (b) presentasi mahasiswa dengan capaian
>60 di setiap ILO yang didukung oleh MK 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 1. Sedangkan statistika deskriptif dari nilai akhir dapat dilihat di Tabel 2. Rata – rata pemahaman mahasiswa adalah 80%
untuk materi secara keseluruhan, dengan kurang dan lebihnya 7% dari rata – rata tersebut. Terdapat mahasiswa dengan pemahaman paling rendah, nilai 65, dikarenakan tidak mengikuti perkuliahan dari awal hingga akhir dengan alasan cuti/lainnya. Namun ada pula mahasiswa yang berhasil optimal memahami materi dengan nilai 97.
Tabel 6. Statistika Deskriptif Nilai Akhir Analisis Multivariat I 2019/2020 Rata rata 79,6944
Median 80
Simpangan baku 7,4821
0 20 40 60 80 100ILO1
ILO2
ILO3
ILO4 ILO5
ILO6 ILO7
ILO8
Weighted-avg-based ILO's AI
Achievement Index of MAS62123
0 20 40 60 80 100ILO1
ILO2
ILO3
ILO4 ILO5
ILO6 ILO7
ILO8
Student num-based ILO's AI
Achievement Index of MAS62123
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 C+, bahkan persentase terbesar ada pada nilai B+.
Gambar 3. Sebaran nilai akhir huruf MK Analisis Multivariat I 2019/2020
Range 95,65
Minimum 65
Maksimum 97
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.
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.
33%
56%
11%
0%
10%
20%
30%
40%
50%
60%
A B+ B
Persen Nilai Huruf
- 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 peneliti
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
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
7 Penerapan aljabar matriks dalam penyajian data multivariat
Penjelas an penerap an aljabar
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
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
12 Pembelajaran dalam memecahkan
suatu masalah
Melati h mahas iswa menye lesaik
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
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 muan ke-12
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
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 (%)
86. 4 99,5 96.727 100 100 100 98.65 100 98,727 100 100 100 98,72
7 100
Lampiran 2. Daftar Rincian Nilai
NIM Nama P1 T1 T2 Q1 Q2 UTS1 UAS1
'175090500111035 Fabiola Puspa Pratiwi 91 80 90 80 70 75 65
'175090500111036 Mamlu`Atul Marchamah 90 80 90 70 80 65 75
'175090500111038 Agus Putradana Amertha 89 75 85 65 75 75 65
'175090500111041 Femy Rahayu Quientania 91 70 80 80 70 70 80
'175090501111003 Yuli Rochmawati 88 80 90 85 75 85 75
'175090501111004 Rosi Dwi Lestari 87 75 85 80 70 70 80
'175090501111005 Najunda Zukhrufiah Syahdu Firdaus 92 90 80 90 80 80 90
'175090501111006 Salwa Alfi Azhari 93 80 90 80 70 70 80
'175090501111009 Irena Salsabila 90 75 85 75 85 75 85
'175090501111011 Irsyad Maulana Khaironi 92 70 80 80 70 70 80
'175090501111018 Agis Wahyu Lestari 97 80 90 85 75 85 75
'175090501111019 Vaulita Qatrunnada 89 85 75 75 65 65 75
'175090501111021 Miftachul Ilmi 93 90 80 90 80 80 70
'175090501111023 Septika Ningrum Riski Irawati 77 80 90 85 75 90 80
'175090501111026 Eva Fadilah Ramadhani 88 85 75 75 85 70 80
'175090501111027 Ziqra Dika Putri 81 75 85 65 70 70 80
'175090501111028 Shelma Ayu Widya Masyitha 90 80 70 80 70 85 75
'175090501111029 Ratih Kartika Rahmatulnissa 91 85 75 75 65 75 85
'175090501111030 Nidia Artha Wahyudi Tamin 86 75 85 65 75 75 85
'175090501111031 Renica Anggun Puspacandra 90 90 80 70 80 90 80
'175090501111034 Ulfie Safitri 91 80 90 85 75 75 85
'175090507111001 Theodorine Sulistyaning Rahayu 85 85 75 70 80 70 80
'175090507111002 Ismi Chai Runnisa 87 85 75 85 75 80 90
'175090507111003 Indah Fitria Susilowati 90 90 80 80 90 75 85
'175090507111004 Isfar Hakim Ramdani 68 65 75 65 75 70 80
'175090507111005 Clarita Dewi Puspita Sari 88 75 85 70 75 75 85
'175090507111010 Laksmi Adlina Yudihartin 88 75 85 85 75 70 80
NIM Nama P1 T1 T2 Q1 Q2 UTS1 UAS1
'175090507111011 Natasha Debora Tho 88 90 80 80 70 80 70
'175090507111014 Fachira Haneinanda Junianto 92 80 90 75 85 85 75
'175090507111017 Bestari Archita Safitri 88 85 75 75 85 70 80
'175090507111027 Adinda Putri Nabila 88 75 85 80 70 80 75
'175090507111030 Febrina Khairani 89 70 80 75 85 80 70
'175090507111031 Greis Ully Damaiyanty Gultom 91 80 90 75 65 85 75
'175090507111032 Bella Ery Putri Ananda 87 85 75 85 75 70 80
'175090507111037 Nefranita Halevi 88 85 75 85 75 70 80
'175090520111001 Muhammad Nur Dzakki 95 80 70 70 80 70 80
