P2RP-LP3M UB
Portofolio Perkuliahan
UNIVERSITAS BRAWIJAYA
FAKULTAS MIPA
JURUSAN STATISTIKA / PROGRAM STUDI SARJANA STATISTIKA
Mata Kuliah:
Data Mining
Kode:
MAS 62123
RMK:
Teori dan Komputasi
Semester:
Genap Dosen Dr. Eni Sumarminingsih, SSi, MM
Pendahuluan
Data mining menjelaskan mengenai preprocessing data, visualisasi, dan eksplorasi, serta metode klasifikasi, clustering dan prediksi. Mahasiswa sebaiknya sudah familiar dengan materi Pengantar Teori Peluang. Dosen baru pertama kali mengajar mata kuliah ini, sehingga masih perlu banyak belajar dan menemukan cara yang tepat untuk menyampaikan kuliah ini.
1 Tujuan
Tujuan Umum:
Data mining menjelaskan mengenai preprocessing data, visualisasi, dan eksplorasi, serta metode klasifikasi, clustering dan prediksi. Mata kuliah ini mendukung capaian pembelajaran Program Studi 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 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.
P2RP-LP3M UB
Tujuan Khusus:
CLO 1. Mahasiswa mampu melakukan visualisasi, eksplorasi dan preprocessing data
CLO 2. Mahasiswa mampu menjelaskan metode-metode data mining dan menggunakan teknik data mining untuk tujuan klasifikasi
CLO3. Mahasiswa mampu menjelaskan metode-metode data mining dan menggunakan teknik data mining untuk tujuan clusterisasi
CLO4. Mahasiswa mampu menjelaskan metode-metode data mining dan menggunakan teknik data mining untuk tujuan prediksi
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 Data Mining dan ILO yang disajikan pada Tabel 1.
Tabel 1. Matriks Hubungan antara CLO dan ILO MK Data Mining
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
CLO1 0,1 0 0,2 0,1 0,2 0,2 0,1 0,1
CLO2 0 0 0,25 0,25 0,25 0 0,15 0,1
CLO3 0 0 0,25 0,25 0,25 0 0,15 0,1
CLO4 0,2 0 0,2 0,1 0,2 0,1 0,1 0,1
2 Strategi Pembelajaran
Strategi yang digunakan untuk mencapai tujuan perkuliahan antara lain:
- Menyediakan materi sebelum perkuliahan (dalam file pdf/ppt yang diberikan ke penanggung jawab kelas, dan pada forum di Google Classroom).
- Menjelaskan di awal setiap pertemuan mengenai pemanfaatan metode-metode yang dibahas dari contoh kasus sehingga mahasiswa termotivasi untuk mempelajari metode tersebut.
- Menyajikan materi secara detil, menyajikan metode dengan contoh kasus secara manual di slide atau di papan tulis
- Memberikan contoh penggunaan metode menggunakan software R.
- Memberi latihan soal di akhir pertemuan
- Meminta masukan dari mahasiswa selama sesi penyajian materi mengenai perlunya dosen menjelaskan ulang atau memperlambat kecepatan di dalam menjelaskan.
- Memberikan tugas untuk kasus yang memerlukan banyak waktu untuk elaborasi atau memerlukan pemanfaatan software, sehingga harus dikerjakan di rumah. Tugas dikerjakan secara mandiri di rumah, dengan masih memungkinkan untuk mengakses materi/catatan.
- Menjelaskan ulang bagian-bagian yang dirasa kurang dipahami 3 Pengelolaan Perkuliahan
Mata kuliah ini adalah mata kuliah 3 sks dengan komposisi 3 sks tatap muka
perkuliahan tanpa praktikum. Pertemuan terjadwal satu minggu sekali (3 kali 50 menit)
P2RP-LP3M UB
selama 14 minggu. Untuk UTS dilaksanakan terjadwal setelah 7 kali pertemuan, sedangkan UAS juga dilaksanakan terjadwal setelah pertemuan ke 14.
Perkuliahan:
a. Jadwal: Pertemuan dijadwalkan setiap hari Jumat, jam 13.00 – 15.30 WIB.
b. Materi yang sudah dapat diakses mahasiswa sebelumnya, disajikan di setiap pertemuan, penyajian materi berupa penyajian slide dan penjelasan di papan tulis jika diperlukan. Penjelasan dilengkapi dengan kasus yang dapat dikerjakan secara manual. Selanjutnya dosen memberikan demo penggunaan software yang diikuti secara langsung oleh mahasiswa menggunakan laptop masing-masing mahasiswa. Mahasiswa juga diberi kesempatan untuk bertanya jika dirasa belum jelas
4 Isi Perkuliahan
Isi perkuliahan Data Mining adalah sebagai berikut - visualisasi, eksplorasi, dan preprocessing data - Aturan Asosiasi
- Decision tree dan perkembangannya (ID3, C45, CART) - K-nearest neighbor
- Naïve Bayesian Classification - Support Vector Machines (SVM) - Analisis Cluster Hierarchal - K-means dan K-medoid
- Support Vector Regression (SVR)
Kesesuaian antara materi perkuliahan yang dirancang pada kurikulum dengan prakteknya dapat dilihat pada Lampiran 1.
5 Peserta Kuliah
Data Mining adalah mata kuliah wajib yang yang diikuti oleh Mahasiswa Program Studi Sarjana Statistika FMIPA UB, yang berada pada semester 6 (angkatan 2017) Peserta kuliah pada kelas B ini adalah sebanyak 36 mahasiswa.
6 Persentase Kehadiran
Kehadiran dosen adalah 100% sedangkan kehadiran mahasiswa rata – rata sebesar 98,76%
7 Sistem Evaluasi
Evaluasi dilakukan melalui beberapa penilaian, yaitu
- Tugas diberikan sebanyak dua kali. Tugas pertama mencakup materi-materi sebelum UTS dan tugas kedua mencakup materi-materi setelah UTS
- Evaluasi beberapa materi melalui Kuis yang mengukur pemahaman dari 3 atau 4 pertemuan. Tipe soal menyerupai soal UTS/UAS, sehingga mahasiwa mempunyai bayangan mengenai persiapan menghadapi UTS/UAS. Kuis diberikan sebanyak dua kali, yaitu pada pertemuan ke 4 dengan materi
P2RP-LP3M UB
pertemuan ke1-3 dan pada pertemuan ke 11 dengan materi pertemuan ke 8-10 - 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.
Pada minggu UTS dan UAS seluruh kegiatan perkuliahan diliburkan, sehingga mahasiswa konsentrasi untuk menghadapi UTS/UAS.
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)
Asesmen Materi
Bobot terhadap
nilai akhir
CLO 1 CLO 2 CLO 3 CLO 4
Bobot Asesment terhadap CLO (Course Learning Outcome)
Keaktifan
dan sikap 0,05 0,25 0,25 0,25 0,25
Kuis 1
Pengantar data mining, mengenal data, data preprocessing
0,125 1 0 0 0
Kuis 2
Bayesian Classification, Support Vector Machine, Cluster Kmean dan Kmedoid
0,125 0 1 0 0
Tugas 1
association rule, decision tree, knn
0,1 0 1 0 0
Tugas 2
Bayesian Classification, Support Vector Machine, Cluster Kmean dan Kmedoid, Cluster Hierarchi, Support Vector Regression
0,1 0 0,25 0,5 0,25
UTS
association rule, decision
tree, knn 0,25
0 1 0 0
UAS Bayesian
Classification, 0,25 0 0,25 0,5 0,25
P2RP-LP3M UB
Support Vector Machine, Cluster Kmean dan Kmedoid, Cluster Hierarchi, Support Vector Regression
8 Pengamatan Kelas
Mahasiswa secara umum berpartisipasi aktif di dalam kegiatan perkuliahan, karena sifat perkuliahan yang aplikatif. Dari pengamatan respons dan keaktifan kelas, 75 persen mahasiswa mampu mengikuti penjelasan penyelesaian kasus dan mengajukan pertanyaan jika ada penjelasan dosen yang kurang selaras dengan pemahaman mereka 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:
- CLO 1 (Mahasiswa mampu melakukan visualisasi, eksplorasi dan preprocessing data), CLO 2 (Mahasiswa mampu menjelaskan metode-metode data mining dan menggunakan teknik data mining untuk tujuan klasifikasi), CLO3 (Mahasiswa mampu menjelaskan metode-metode data mining dan menggunakan teknik data mining untuk tujuan clusterisasi) dan CLO4 (Mahasiswa mampu menjelaskan metode-metode data mining dan menggunakan teknik data mining untuk tujuan prediksi) secara rata – rata mencapai nilai satisfactory, dengan rata – rata di atas 75. Pada CLO 2 dan CLO 4 100% mahasiswa memperoleh nilai capaian di atas 60. Sementara CLO 3 97,22 % dan CLO 1 83,33 % 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
P2RP-LP3M UB
Tabel 3. Deskripsi Nilai dan Kategori Capaian untuk Setiap CLO MK Data Mining
CLO1 CLO2 CLO3 CLO4
Rata - rata 77,25 79,98 77,99 78,43
Kategori Capaian SATISFAC TORY
SATISFAC TORY
SATISFAC TORY
SATISFAC TORY Banyaknya mahasiswa
dengan CLO>60 30 36 35 36
Persentase mahasiswa
dengan CLO>60 83,33 100 97,22 100
Kategori Persentase 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 Data Mining
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
(a) (b)
P2RP-LP3M UB
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):
- Terdapat 7 ILO yang berada pada kategori capaian Satisfactory 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.
ILO4 - 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, dan
ILO 8 - Mampu menerapkan dan menginternalisasi semangat kemandirian,
kejuangan, kewirausahaan berdasarkan nilai, norma, dan etika akademik serta nilai Pancasila dalam segala aspek kehidupan
Semua mahasiswa memperoleh nilai capaian di atas 60 untuk ILO 3, ILO 4, ILO 5, ILO 7, ILO 8, 97,22% untuk ILO 1 dan 88,89% untuk ILO 6. Semua kategori persentase mahasiswa dengan nilai capaian di atas 60 adalah HIGH.
Tabel 5. Deskripsi Nilai dan Kategori Capaian untuk Setiap ILO yang didukung oleh MK Data Mining
ILO1 IL
O2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
Rata - rata
terboboti 77,95 79,14 79,3 79,14 77,56 79,19 79,08
Kategori Capaian
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
35 36 36 36 32 36 36
Persentase mahasiswa dengan ILO>60
97,22 100 100 100 88,89 100 100
Kategori HIGH HIGH HIGH HIGH HIGH HIGH HIGH
P2RP-LP3M UB
Gambar 2. Visualisasi (a) indeks capaian dan (b) presentasi mahasiswa dengan capaian
>60 di setiap ILO yang didukung oleh MK Data Mining 10 Kendala
- PPT belum tersedia, sehingga dosen harus menyiapkan materi. Hal ini membutuhkan waktu yang cukup banyak
- Dosen pertama kali mengajar mata kuliah ini sehingga harus belajar lebih banyak - Setengah semester kedua, kuliah dilakukan secara daring. Hal ini menyebabkan
kurang maksimalnya perkuliahn, karena waktu yang terbatas dan terkadang koneksi yang tidak stabil membuat penjelasan dosen terkadang tidak dapat tersampaikan dengan jelas.
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 nilai mahasiswa adalah 79,07 untuk materi secara keseluruhan, dengan kurang dan lebihnya 6 poin dari rata – rata tersebut.
Terdapat satu mahasiswa dengan pemahaman paling rendah, nilai 63,125, namun ada pulan yang berhasil optimal memahami materi dengan nilai 92,125.
Tabel 2. Statistika Deskriptif Nilai Akhir Data Mining 2019/2020 Rata - rata 79,07639
Simpangan Baku 6,191893
Range 29
Minimum 63,125
Maksimum 92,125
Setelah dikonversi menjadi nilai huruf sesuai standar konversi penilaian, sebaran nilai huruf dapat dilihat pada Gambar 4. Dari gambar tersebut, dapat dilihat bahwa lebih dari seluruh mahasiswa memiliki nilai di atas C dan lebih dari 50% mendapat nilai A.
Secara umum capaian pembelajaran dapat dicapai dengan baik
(a) (b)
P2RP-LP3M UB
Gambar 4 12 Kesimpulan
Secara umum pembelajaran Mata kuliah Data Mining dapat berjalan dengan baik meskipun masih ada kekurangan di sana sini. Pemahaman mahasiswa cukup baik dan capaian pembelajaran Mata Kuliah dapat dicapai dengan baik.
13 Rekomendasi Perbaikan
Materi yang perlu lebih dijelaskan secara detail - Support Vector Machine
- Support Vector Regression
Materi tentang pengenalan data mining lebih dipersingkat Materi tentang eksplorasi dan visualisasi data diperbanyak
Mahasiswa perlu diberi latihan setiap selesai kuliah, baik latihan soal manual ataupun menggunakan software
Saran dari mahasiswa:
- Perlu dijelaskan secara rinci di papan tulis mengenai rumus-rumus yang digunakan
- PPT lebih diperjelas dan dilengkapi dengan syntax - Tidak terlalu cepat dalam penyampaian materi
53
28
14
6
0 0 0 0
0 10 20 30 40 50 60
A B+ B C+ C D+ D E
Persentase
Sebaran Nilai Akhir
P2RP-LP3M UB
Lampiran 1
No. Topik (RPS) Minggu
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
1 -Kontrak Kuliah -Pengantar Data Mining
-Metode dalam data mining - Penggolongan data dan variable - statistika deskriptif
Pengan- tar data mining
2 Metode Visualisasi menggunakan R dengan struktur data:
-Plot satu variabel X (diskrit atau kontinu) - Plot dua variabel X dan Y (keduanya diskrit atau keduanya kontinu) - Plot dua variabel X dan Y (satu diskrit dan satu kontinu)
Menge-
nal data
P2RP-LP3M UB
No. Topik (RPS) Minggu
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
- Parameter Grafik 3 Pengenalan
Data
Preprocessing:
- Data Cleaning - Data Integration - Data Reduction - Data
Transformation
data prepoces- sing
4
Kuis 1 Kuis 1
5 Pengenalan Association Rule Algoritma Apriori Evaluasi dan Candidate Rule Aplikasi Association Rule
menggunakan R Validating and testing
Associa -tion rule
P2RP-LP3M UB
No. Topik (RPS) Minggu
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
6 Konsep dasar klasifikasi Pohon keputusan ID3, C4.5, CART Pohon keputusan menggunakan R
decisi on tree
7 Pengenalan KNN Jarak
Algoritma KNN KNN
menggunakan R
K-NN
8 dan 9
UTS UTS
10 Pengenalan Klasifikasi Bayes
Teorema Bayes Klasifikasi Bayes
Sederhana dan contohnya Laplacian correction dan contohnya Klasifikasi Bayes
Bayesi an Classi ficatio n
P2RP-LP3M UB
No. Topik (RPS) Minggu
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
menggunakan R
11 Pengantar SVM Histori dan aplikasi SVM Ide SVM Formulasi matematis Metode kernel Algoritma SVM untuk
Klasifikasi SVM
menggunakan R
Supp ort Vecto r Mach ine
12
Bayes
Cluster Kmean dan Kmedoid
13
SVM Kuis 2
14 Pengenalan Analisis Klaster (kualifikasi dan gambaran) Metode Hirarki Algglomerative vs divisive hierarchical clustering
Clust er Hiera rchi
P2RP-LP3M UB
No. Topik (RPS) Minggu
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Jarak pada Metode Algoritmik Pengenalan BIRCH dan Chameleon probabilistic hierarchical clustering analisis klaster hierarchical menggunakan R 15 pengenalan
Partitioning methods k-means k-medoids k-means menggunakan R k-medoids menggunakan R
Supp ort Vecto r Regre ssion
16 Pengenalan SVR
Ide dasar SVR Formulasi SVR dalam QP standar Loss Function SVR
mengginakan R
Evalu asi mater i Bayes ian Classi ficati on - SVR
P2RP-LP3M UB
No. Topik (RPS) Minggu
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
17 UAS UAS
Kehadiran (%) 100 100 91,67 100 97,22 97,22 97,22 100 100 100 100 100 100 100
P2RP-LP3M UB
Lampiran 2. Daftar Rincian Nilai
NIM Nama Sikap Kuis 1 Kuis 2 Tugas 1 Tugas 2 UTS UAS
'175090500111033 Alifya Al Rohimi 85 68 70 85 90 90 75,5
'175090500111035 Fabiola Puspa Pratiwi 85 80 65 90 90 75 53
'175090500111036 Mamlu`Atul Marchamah 85 97 95 85 90 70 80
'175090500111038 Agus Putradana Amertha 85 83 75 90 90 80 57,5
'175090500111041 Femy Rahayu Quientania 85 91 60 85 90 85 55
'175090501111003 Yuli Rochmawati 85 97 75 85 90 55 75
'175090501111004 Rosi Dwi Lestari 85 67 75 85 90 70 60
'175090501111005 Najunda Zukhrufiah Syahdu Firdaus 85 86 70 85 90 75 75
'175090501111006 Salwa Alfi Azhari 85 95 75 85 90 85 50
'175090501111009 Irena Salsabila 85 86 80 85 90 70 62
'175090501111011 Irsyad Maulana Khaironi 85 98 85 85 90 95 95
'175090501111018 Agis Wahyu Lestari 85 87 65 90 90 90 72,5
'175090501111019 Vaulita Qatrunnada 85 44 60 85 90 80 70
'175090501111021 Miftachul Ilmi 85 86 80 85 90 75 73
'175090501111026 Eva Fadilah Ramadhani 85 95 65 85 90 90 80
'175090501111027 Ziqra Dika Putri 85 80 75 85 90 85 78
'175090501111028 Shelma Ayu Widya Masyitha 85 88 85 85 90 80 83
'175090501111029 Ratih Kartika Rahmatulnissa 85 87 85 85 90 80 80
'175090501111030 Nidia Artha Wahyudi Tamin 85 56 40 90 90 75 45,5
'175090501111031 Renica Anggun Puspacandra 85 67 95 85 90 80 83
'175090501111034 Ulfie Safitri 85 86 85 85 90 80 88
'175090507111001 Theodorine Sulistyaning Rahayu 85 74 80 90 90 90 50
'175090507111002 Ismi Chai Runnisa 85 40 55 90 90 70 46
'175090507111003 Indah Fitria Susilowati 85 72 95 85 90 80 77
'175090507111004 Isfar Hakim Ramdani 85 88 70 85 90 85 80
'175090507111005 Clarita Dewi Puspita Sari 85 59 85 90 90 90 93
'175090507111010 Laksmi Adlina Yudihartin 85 57 95 90 90 80 70
P2RP-LP3M UB
NIM Nama Sikap Kuis 1 Kuis 2 Tugas 1 Tugas 2 UTS UAS
'175090507111011 Natasha Debora Tho 85 66 35 90 90 85 70,5
'175090507111014 Fachira Haneinanda Junianto 85 52 65 90 90 65 65
'175090507111017 Bestari Archita Safitri 85 87 60 85 90 90 73
'175090507111027 Adinda Putri Nabila 85 80 95 85 90 80 72
'175090507111030 Febrina Khairani 85 66 75 90 90 85 95
'175090507111031 Greis Ully Damaiyanty Gultom 85 57 80 85 90 75 72
'175090507111032 Bella Ery Putri Ananda 85 89 85 85 90 80 91
'175090507111037 Nefranita Halevi 85 67 95 85 90 80 77
'175090520111001 Muhammad Nur Dzakki 85 75 70 90 90 95 87
