P2RP-LP3M UB
Portofolio Perkuliahan
UNIVERSITAS BRAWIJAYA
FAKULTAS MIPA
JURUSAN STATISTIKA / PROGRAM STUDI SARJANA STATISTIKA
Mata Kuliah:
Data Mining
Kode:
MAS62123
RMK:
Teori dan Komputasi
Semester:
Genap Dosen Dwi Ayu Lusia, S.Si., M.Si.
Pendahuluan
Mata kuliah Data Mining adalah mata kuliah peralihan dari mata kuliah pilihan menjadi mata kuliah wajib di tahun 2020. Hal tersebut didasarkan pada pentingnya data mining sesuai dengan perkembangan ilmu statistika. Terdapat 3 kelas mata kuliah Data mining dengan 3 dosen pengampu. Sehingga ketiga dosen mendiskusikan materi perkuliahan yang ada pada mata kuliah data mining. Dosen pengajar menentukan beberapa metode data mining untuk kasus peramalan, klasifikasi, klasterisasi dan prediksi. Hasil akhir dari pemahaman mahasiswa adalah kemampuan untuk menjelaskan visualisasi, eksplorasi, dan preprocessing data serta metode klasifikasi, clustering dan prediksi. Dosen pengajar akan melakukan evaluasi disetiap pertemuannya untuk evaluasi pemahaman mahasiswa.
1 Tujuan
Tujuan Umum:
Mata kuliah ini diajarkan supaya mahasiswa mampu menjelaskan mengenai visualisasi, eksplorasi, dan preprocessing data serta metode klasifikasi, clustering dan prediksi.
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 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
P2RP-LP3M UB
- 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) Data Mining Kelas C ini adalah:
- 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
- CLO 3: Mahasiswa mampu menjelaskan metode-metode data mining dan menggunakan teknik data mining untuk tujuan clusterisasi
- CLO 4: 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 Kelas C dan ILO yang disajikan pada Tabel 1.
Tabel 1. Matriks Hubungan antara CLO dan ILO MK Data Mining Kelas C
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO 8
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
Perkuliahan ini menyajikan materi yang bersifat teori matematis. Untuk itu digunakan strategi berikut ini:
- Menyediakan akses materi perkuliahan (dalam file berbentuk pdf/ppt pada blog dosen: https://dwiayulusia.blogspot.com/p/data-mining.html)
- Penyampaian materi secara offline menggunakan presentasi dengan dosen yang menjelaskan. Penyampaian materi secara online dilakukan dengan rekaman video yang diunggah pada youtube: https://www.youtube.com/watch?v=
QXz9v0wkZPI&list=PLMTlFEV0yxRpEEXNmUX0owrcRZsmZauk7.
Sehingga mahasiswa dapat mempelajari kembali materi perkuliahan. Serta materi tidak akan terputus ketika koneksi tidak stabil.
- Komunikasi ketika online, maka membentuk Whatsapp group dan grup pada Edmodo. Grup tersebut digunakan untuk sesi Tanya jawab. Jika mahasiswa maupun dosen dirasa tidak tersampaikan maka akan menggunakan aplikasi zoom atau google hangout.
P2RP-LP3M UB
- Memberikan pertanyaan yang menekankan perbedaan setiap kasus atau metode, maupun ciri khas dari kasus atau metode.
- Memberikan tugas untuk teori dan kasus yang menyerupai contoh, sehingga mahasiswa melakukan analisa metode atau materi yang telah disampaikan.
Tugas tersebut juga sebagai indikator pemahamanan mahasiswa mengenai materi yang telah disampaikan.
- Kuis, UTS dan UAS menggunakan beberapa aplikasi seperti Edmodo, quizizz, dan google form sebagai alternatif metode ujian dengan meminimalisir mahasiswa untuk kerjasama.
3 Pengelolaan Perkuliahan
Mata kuliah ini adalah mata kuliah 3 sks. Pertemuan terjadwal satu minggu sekali (3 kali 50 menit) selama 14 minggu. UTS dilaksanakan terjadwal setelah 7 kali pertemuan, sedangkan UAS dilakukan terjadwal saat pertemuan ke 14. Detail perkuliahan:
a. Jadwal: pertemuan dijadwalkan setiap hari Jumat jam 13.00 sampai 15.40 WIB di ruangan MP 2.3. Pada setiap pertemuan, mahasiswa dituntut memiliki konsentrasi yang tinggi. Dosen menyajikan materi pada dua sks pertama, dan satu sks terakhir, mahasiswa akan berlatih contoh soal maupun kasus yang serupa dengan contoh yang telah dijelaskan oleh dosen.
b. Setiap pertemuan memiliki capaian pembelajaran yang sesuai dengan materi yang disampaikan. Terdapat evaluasi capaian pembelajaran seperti tugas, kuis, Ujian Tengah Semester (UTS), dan Ujian Akhir Semester (UAS). Berikut ini detail evaluasi capaian pembelajaran yang dilakukan:
Tugas 1 dikumpulkan saat UTS, dimana mahasiswa mencari data dan mengimplementasikan salah satu metode aturan asosiasi, decision tree, ID3, atau C45 baik secara perhitungan manual dan menggunakan software R.
Kuis 1 dilakukan saat pertemuan ke-4 untuk materi pengantar data mining, statistika deskriptif, dan preprocessing data
UTS dilakukan secara terjadwal setelah pertemuan ke-7 untuk materi Aturan asosiasi, decision tree, ID3, C45, CART dan K-nearest neighbor.
Tugas 2 untuk materi Klasifikasi Bayes Sederhana, Support Vector Machines, serta Partitioning cluster (K-means dan K-medoid)
Kuis 2 untuk materi klasifikasi bayes sederhana dan Support Vector Machines
UAS untuk materi Partitioning cluster (k-means dan k-medoid), hierarical clustering (Agnes dan Diana), serta Support Vector Regression
4 Isi Perkuliahan
- Pengantar data mining, statistika deskriptif, dan preprocessing data
- Metode klasifikasi meliputi aturan asosiasi, decision tree, ID3, C45, CART, K- nearest neighbor, klasifikasi bayes sederhana, dan support vector machines.
- Metode clustering meliputi partitioning cluster (k-means dan k-medoids) serta hierarical clustering (Agnes dan Diana)
P2RP-LP3M UB
- Metode prediksi yaitu support vector regression
Kesesuaian antara materi perkuliahan yang dirancang pada kurikulum dengan prakteknya dapat dilihat pada Lampiran 1.
5 Peserta Kuliah
Mata kuliah Data Mining adalah mata kuliah wajib yang diikuti oleh mahasiswa program studi Sarjana Statistika FMIPA UB, angkatan 2017 dan satu orang angkatan 2016 yang karena tahun lalu tidak mengambil mata kuliah data mining (mata kuliah pilihan) dan sekarang menjadi mata kulah wajib. Data Mining kelas C diikuti oleh 35 mahasiswa.
6 Persentase Kehadiran
Kehadiran dosen adalah 100% sedangkan kehadiran mahasiswa rata-rata sebesar 96,74%
7 Sistem Evaluasi
- Sikap (ABS1) dinilai dari bagaimana mahasiswa bersikap dan keaktifan saat dikelas.
- Tugas 1 dikumpulkan saat UTS, dimana mahasiswa mencari data dan mengimplementasikan salah satu metode aturan asosiasi, decision tree, ID3, atau C45 baik secara perhitungan manual dan menggunakan software R. Materi tersebut telah diajarkan dipertemuan pertama sampai dengan pertemuan 6.
Diharapkan mahasiswa dapat menyajikan data dan menganalisa sesuai dengan kasus yang pernah ada.
- Kuis 1 (Q1) dilakukan saat pertemuan ke-4 untuk materi pengantar data mining, statistika deskriptif, dan preprocessing data. Terdapat 8 soal pada kuis 1 dan dilakukan close book. 5 pertanyaan mengenai konsep dan 3 pertanyaan perhitungan mengenai statistika deskriptif dan preprocessing data.
- UTS (UTS1) dilakukan secara terjadwal setelah pertemuan ke-7 untuk mauteri Aturan asosiasi, decision tree, ID3, C45, CART dan K-nearest neighbor. UTS dilakukan secara online menggunakan media Edmodo. Media Edmodo menampilkan soal satu persatu dengan random pertanyaan, serta dapat kembali ke pertanyaan sebelumnya. Soal UTS terdiri dari 20 pertanyaan dengan 4 pilihan ganda. UTS dilakukan selama 2 jam dan bersamaan dengan kelas parallel lainnya.
- Tugas 2 (T2) untuk materi Klasifikasi Bayes Sederhana, Support Vector Machines, serta Partitioning cluster (K-means dan K-medoid). Tugas 2 merupakan rata-rata dari tugas yang kerjakan untuk pertemuan 8, 9, dan 11.
Tugas pertemuan 8, mahasiswa melakukan analisis klasifikasi bayes sederhana dengan kasus yang telah ditentukan. Tugas pertemuan 9, mahasiswa melakukan analisis SVM dengan membagi data menjadi 70:30, 80:20, dan 90:10, kemudian membandingkan akurasi data training dan data testing. Diharapkan mahasiswa dapat memahami semakin banyak data training yang digunakan, maka akurasi
P2RP-LP3M UB
baik training dan testing semakin baik. Tugas pertemuan 11, mahasiswa menghitung manual menggunakan metode k-medoid dengan data yang sama dari contoh k-means. Diharapkan mahasiswa dapat memahami perbedaan perhitungan k-means dan k-medoid, kemudian membandingkan hasilnya.
- Kuis 2 (Q2) untuk materi klasifikasi bayes sederhana dan Support Vector Machines. Kuis 2 dilakukan secara online menggunakan media Quizizz yang menampilkan soal satu persatu dengan random pertanyaan dan random jawaban.
Media Quizizz tidak dapat menampilkan pertanyaan sebelumnya dan setiap pertanyaan diberi waktu 3 menit. Selain itu, quizizz dilakukan secara live (serentak dalam satu kelas). Sehingga dapat meminimalisir mahasiswa untuk mencontek. Terdapat 20 soal pilihan ganda dengan 4 pilihan.
- UAS (UAS1) untuk materi Partitioning cluster (k-means dan k-medoid), hierarical clustering (Agnes dan Diana), serta Support Vector Regression. UAS dilakukan secara online menggunakan media Quizizz dan google form. Media Quizizz digunakan untuk 14 soal pilihan ganda dengan 4 pilihan, waktu 3 menit per soal dan 5 poin per soal. Media google form untuk 2 soal uraian dengan waktu 15 menit per soal dan 15 poin per soal.
Soal dan jadwal untuk tugas 1, kuis 1, UTS, tugas 2, kuis 2, dan UAS telah sama untuk kelas parallel, dimana soal merupakan hasil diskusi dari tim pengajar. Pada minggu UTS seluruh kegiatan perkuliahan diliburkan, sehingga mahasiswa konsentrasi untuk menghadapi UTS.
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)
Ases
men Materi
Bobot terhadap nilai akhir
CLO 1 CLO 2 CLO 3 CLO 4 Bobot Asesment terhadap CLO (Course Learning
Outcome)
ABS1 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
0,1 0 0,25 0,5 0,25
P2RP-LP3M UB
Kmedoid, Cluster Hierarchi, Support Vector Regression UTS
association rule, decision tree, knn
0,25 0 1 0 0
UAS
Bayesian Classification, Support Vector Machine, Cluster Kmean dan Kmedoid, Cluster Hierarchi, Support Vector Regression
0,25 0 0,25 0,5 0,25
8 Pengamatan Kelas
Perkuliahan Data Mining, sebanyak 7 pertemuan pertama dilakukan dengan tatap muka dan 7 pertemuan akhir dilakukan dengan daring. Perkuliahan dengan daring, menggunakan media zoom (untuk penjelasan dan diskusi), message grup WhatsApp untuk diskusi, penjelasan dosen menggunakan youtube, pengumpulan tugas menggunakan edmodo serta kuis, UTS maupun UAS menggunakan edmodo maupun quizizz. Selama perkuliahan, mahasiswa aktif berpartisipasi seperti mengajukan pertanyaan, bersedia mengerjakan soal atau kasus. Mahasiswa yang aktif sebanyak 26%. Mahasiswa yang aktif merupakan mahasiswa tertentu saja. Selama tatap muka, mahasiswa yang aktif duduk dibarisan terdepan. Terdapat pula beberapa mahasiswa yang kurang fokus dikarenakan sakit perut saat haid. Semua mahasiswa aktif mencoba melakukan analisa menggunakan software R. Selama perkuliahan secara daring, mahasiswa kalau menggunakan zoom, terkendala dengan kuota internet sehingga ada beberapa mahasiswa yang tidak dapat join zoom. Oleh karena itu, materi selanjutnya, dosen membuat video pembelajaran yang diupoad di youtube. Diharapkan mahasiswa dapat mengakses youtube dengan kuota yang lebih sedikit daripada mengguanakan zoom. Serta jika mahasiswa lupa mengenai pembahasan materi, mahasiswa dapat membuka youtube kembali.
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
P2RP-LP3M UB
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.
Tabel 3. Deskripsi Nilai dan Kategori Capaian untuk Setiap CLO MK Data Mining Kelas C
CLO1 CLO2 CLO3 CLO4
Rata - rata 80.81 80.95 78.35 78.82
Kategori Capaian EXCELLENT EXCELLENT SATISFACTORY SATISFACTORY Banyaknya
mahasiswa dengan CLO>60
33 34 34 34
Persentase mahasiswa
dnegan CLO>60 94.29 97.14 97.14 97.14
Kategori Persentase HIGH HIGH HIGH HIGH
(a) (b)
Gambar 1. Visualisasi (a) indeks capaian dan (b) presentasi mahasiswa dengan capaian
>60 di setiap CLO MK Data Mining Kelas C
Sesuai dengan kategori capaian yang tersaji pada Tabel 4, dapat disimpulkan beberapa hal berikut ini:
- CLO1 (Kemampuan) dan CLO2 (Kemampuan) secara rata – rata mencapai nilai excellent, dengan rata – rata di atas 80.
- CLO6 dan CLO7 selainnya berada pada kategori pencapaian satisfactory.
- Semua CLO berada pada kategori persentase tinggi (HIGH) dalam hal banyaknya mahasiswa dengan nilai capaian di atas 60.
Tabel 4. Kategori nilai CLO/ILO, dan Kategori Persentase Mahasiswa yang mencapai CLO/ILO >60
0 20 40 6080 100CLO1
CLO2
CLO3 CLO4
Weighted-avg-based CLO's AI
Achievement Index of MAS62132
90 92 94 96 98 100CLO1
CLO2
CLO3 CLO4
Student num-based CLO's AI
Achievement Index of MAS62132
P2RP-LP3M UB
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
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):
- Terdapat enam ILO yang berada pada kategori capaian Excellent, yaitu:
ILO 3 – Mampu mengelola dan menganalisis data, menyelesaikan permasalahan nyata menggunakan metode statistika di bidang komputasi statistika, sosial humaniora, ekonomi, industri dan hayati dengan bantuan perangkat lunak, serta menyajikan dan mengkomunikasikan hasilnya ILO 4 - Menguasai minimal dua perangkat lunak statistika, termasuk yang berbasis open source.
ILO 5 – Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif secara mandiri, dengan hasil yang bermutu dan terukur dalam implementasi ilmu pengetahuan dan teknologi yang menerapkan nilai humaniora berdasarkan kaidah, tata cara dan etika ilmiah
ILO 6 – Mampu mengambil keputusan secara tepat dalam menyelesaikan masalah di bidang keahliannya berdasarkan hasil analisis informasi dan data ILO 7 – Mampu memelihara dan mengembangkan jaringan kerja, serta melakukan supervisi dan evaluasi terhadap kinerja tim yang dipimpinnya, ILO 8 – Mampu menerapkan dan menginternalisasi semangat kemandirian, kejuangan, kewirausahaan berdasarkan nilai, norma, dan etika akademik serta nilai Pancasila dalam segala aspek kehidupan
- Terdapat satu ILO yang 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
Terdapat 97% mahasiswa yang memiliki nilai capaian di atas 60 untuk ILO1, ILO3, ILO4, ILO5, ILO6, ILO7, dan ILO8. 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 Data Mining Kelas C
P2RP-LP3M UB
ILO1
ILO
2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
Rata - rata
terboboti 79.63 80.24 80.27 80.24 80.28 80.25 80.23
Kategori Capaian
SATISFA CTORY
EXCE LLENT
EXCE LLENT
EXCE LLENT
EXCE LLENT
EXCE LLENT
EXCE LLENT Banyaknya
mahasiswa
dengan ILO>60 34 34 34 34 33 34 34
Persentase mahasiswa dnegan ILO>60
97.14 97.14 97.14 97.14 94.29 97.14 97.14
Kategori 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 Data Mining Kelas C 10 Kendala
- Kurangnya kemampuan atau pemahaman mahasiswa mengenai perhitungan manual dari metode klasifikasi, clustering dan prediksi.
- Kurangnya beberapa kemampuan dosen dalam menunjukkan hasil perhitungan secara manual dan menggunakan bantuan software R.
- Perkuliahan yang diselenggarakan secara daring pada 7 pertemuan akhir dan evaluasi pembelajaran (UTS, kuis 2, serta UAS) mempersulit dosen untuk menggali pemahaman mahasiswa. Selain itu, perkuliahan secara daring membuat kurang leluasa dalam menjelaskan saat diskusi (menggunakan zoom dan message WhatsApp group) karena kendala koneksi maupun dalam penulisan. Selain itu, mahasiswa sering mengeluhkan waktu yang terlalu singkat dan banyak tugas disetiap pertemuan.
- Karena terdapat kebijakan bahwa tidak ada jadwal UAS terstruktur, maka UAS dilaksanakan saat pertemuan ke-14. Sehingga materi SVM yang semula 2 pertemuan menjadi satu pertemuan.
0 50 100ILO1
ILO2
ILO3
ILO4 ILO5
ILO6 ILO7
ILO8
Weighted-avg-based ILO's AI
Achievement Index of MAS62132
90 95 100ILO1
ILO2
ILO3
ILO4 ILO5
ILO6 ILO7
ILO8
Student num-based ILO's AI
Achievement Index of MAS62132
P2RP-LP3M UB
11 Distribusi Nilai
Nilai akhir diperoleh dari pembobotan seluruh komponen penilaian/asessment seperti yang disajikan pada kolom tiga di Tabel 2. Sedangkan statistika deskriptif dari setiap asessment dapat dilihat di Tabel 6.
Tabel 6. Statistika Deskriptif Data Mining Kelas C 2019/2020
Statistika Deskriptif Sikap Q1 Q2 T1 T2 UTS1 UAS1 Nilai Akhir Rata-rata 85.83 80.31 82.71 78.60 82.70 81.14 75.23 80.23
Median 85 82.3 80 84 85 85 78 80.46
Simpangan Baku 1.83 13.24 12.09 20.84 12.74 12.19 11.70 6.26
Range 9 51.43 45 60 50 65 60 32.62
Minimum 84 48 55 40 48.33 35 30 55.79
Maximum 93 99.43 100 100 98.33 100 90 88.41
Berdasarkan Tabel 6, dapat diketahui bahwa rata-rata terbesar (sebesar 85.83) ada pada assessment Sikap. Median terbesar (sebesar 85) terdapat pada assessment sikap, tugas 2, dan UTS. Simpangan baku terbesar ialah assessment tugas 1 sebesar 20.84. Range terbesar terdapat pada assessment UTS dengan nilai maksimum sebesar 100, minimum sebesar 65, dan range sebesar 65. Nilai minimum terendah sebesar 30 pada assessment UAS dan tertinggi sebesar 84 pada sessment sikap. Nilai sempurna (100) terdapat pada assessment kuis 2, tugas 1, dan UTS. Sedangkan nilai akhir yang diperoleh dengan 0.05*sikap + 0.125*Q1 + 0.125*Q2 + 0.1*T1 + 0.1*T2 + 0.25*UTS1 + 0.25*UAS1 memiliki rata-rata dan median sebesar 80. Sedangkan nilai minimum dan maksimum dari nilai akhir sebesar 55.79 dan 88.41. Nilai akhir dikonversi menjadi nilai huruf yang sesuai dengan standar konversi penilaian.
Setelah dikonversi menjadi nilai huruf sesuai standar konversi penilaian, sebaran nilai huruf dapat dilihat pada Gambar 3. Gambar tersebut menunjukkan bahwa mayoritas mahasiswa memperoleh nilai A yaitu sebanyak 54%. Nilai huruf B+ dan B secara berurutan diperoleh sebanyak 34% dan 6% mahasiswa. Sedangkan nilai huruf C+ dan C masing-masing sebanyak 3% mahasiswa.
P2RP-LP3M UB
Gambar 3. Sebaran nilai akhir huruf MK Data Mining Kelas C 2019/2020 12 Kesimpulan
- Berdasarkan setiap assessment, proses penjelasan pembelajaran dengan perhitungan perlu perhatian lebih sehingga mahasiswa dapat menerima pembelajaran dengan baik
- Dengan segala kendala perkuliahan secara daring dan kemampuan mahasiswa, perlunya strategi baru dalam mengevaluasi pemahaman mahasiswa disetiap pertemuan dan tugas yang diberikan.
13 Rekomendasi Perbaikan
- Perlu pembahasan lebih lanjut dengan tim pengajar MK Data Mining mengenai materi perhitungan manual dan hasil analisa dengan bantuan software R
- Perlunya strategi baru dalam pengajaran perhitungan secara manual serta memotivasi mahasiswa untuk mau melakukan perhitungan secara manual (tidak meremehkan karena sudah ada hasilnya menggunakan software R)
54%
34%
6% 3% 3%
A B+ B C+ C
P2RP-LP3M UB
Lampiran 1.
Kesesuaian Materi Perkulihaan antara Rencana dan PraktekPertemuan Rencana Pertemuan
1 2 3 4 5 6 7 UTS 8 9 10 11 12 13 14 UAS
1 Pengantar Data Mining √
Metode-metode dalam data mining √
2 Statistika deskriptif √
3 Preprocessing data √
4 kuis √
5 Aturan asosiasi √
6
decision tree √
ID3 √
C45 √
7 CART √
K-Nearest neighbor √
UTS √
8 Bayes √
9 dan 10 SVM √
11 Kuis √
12 Analisis cluster (hierarchal)
√
13 K-means dan k-medoid √
14 SVR √
UAS √
P2RP-LP3M UB
Lampiran 2.
Daftar Rincian NilaiNo NIM Nama Sikap Q1 Q2 T1 T2 UTS1 UAS1 NA NH
1 165090507111002 Izzudin Naufal 85 48 55 40 66.66667 35 30 55.79 C
2 '175090500111001 Nur Khamidah 84 82.3 80 93 85 85 60 78.54 B+
3 175090500111002 Riska Mei Anggreani 87 99.43 80 84 85 100 75 87.43 A
4 175090500111003 Rismania Hartanti Putri Y D 89 65.14 85 50 86.66667 90 78 78.88 B+
5 175090500111004 Defit Fitri Yuliana 85 85.14 95 92 85 80 70 81.97 A
6 175090500111005 Alief Nur Fitriani Aziz 85 82.28 75 93 85 75 80 80.46 A
7 175090500111006 Andi Prasetya 85 96.57 100 89 51.66667 90 75 84.14 A
8 175090500111007 Endang Krisnawati 93 88 80 98 93.33333 70 83 83.03 A
9 175090500111008 Ina Triani 85 85.14 80 82 98.33333 80 57 77.18 B+
10 175090500111009 Zaida Xaviera 85 90.57 100 75 91.66667 65 78 80.49 A
11 175090500111010 Gina Amalia Husna 91 76.57 70 100 98.33333 90 90 87.7 A 12 '175090500111011 Miftakhul Fajar Khoiriyah 85 85.14 65 71 91.66667 55 75 71.78 B 13 175090500111012 Aprilia Nurul Azizah 85 79.43 75 99 98.33333 85 80 84.54 A
14 175090500111013 Rizki Nurani Aisha 85 82.3 85 98 65 75 90 82.71 A
15 '175090500111014 Gusti Agung Ayu Devi I. S. 85 85.14 95 100 81.66667 60 90 82.43 A 16 175090500111016 Muhammad Irvan Reinardsyah 85 99.43 95 62 85 90 70 83.25 A 17 175090500111018 Melati Fitriyani 87 82.3 70 100 98.33333 90 90 88.22 A
18 175090500111022 Rafif Arsalan 85 62.3 95 57 85 80 80 78.11 B+
19 175090500111030 Ni Made Ayu Astari Badung 85 93.71 100 82 85 85 88 88.41 A 20 175090500111031 Erika Triswanda 87 79.43 85 57 83.33333 85 78 79.69 B+
21 175090500111034 Firman Indrawan Baroro 87 73.7 70 40 53.33333 85 73 71.15 B 22 175090500111039 Zidane Ariyandy 85 90.57 80 60 81.66667 85 60 75.99 B+
23 175090501111002 Dimas Wahyu Nur Muhammad 87 85.14 95 65 98.33333 85 85 85.7 A
24 '175090501111022 Harsony 85 48 70 40 74.33333 80 73 68.68 C+
25 175090501111024 Yanuar Rizal Ramadhan 85 65.14 95 65 85 80 78 78.77 B+
P2RP-LP3M UB
No NIM Nama Sikap Q1 Q2 T1 T2 UTS1 UAS1 NA NH
26 '175090501111025 Aprilliah 85 90.85 80 97 77 80 67 79.76 B+
27 175090501111032 Fahmy Kurniawan Putra 85 93.7 75 99 85 95 73 85.74 A
28 175090501111033 Achmad Nadjih Fadhelan 85 76.57 100 65 85 85 68 79.57 B+
29 175090507111013 Bulan Permatasari 85 68 80 100 85 90 85 85 A
30 175090507111024 Dwi Amri Rizqi Akbar 85 59.4 90 65 86.66667 90 78 80.09 A 31 175090507111028 Muhammad Daafa` Fenori 85 93.7 70 97 81.66667 95 67 83.08 A
32 175090507111029 Moses Galuh Wilianto 87 99.4 65 98 70 80 65 77.95 B+
33 175090507111036 Annas Nandhia Rakhman 85 70.85 90 100 85 85 88 86.11 A 34 '175090507111038 Ahmad Hakim Purwanto 85 76.57 70 40 98.33333 85 81 77.9 B+
35 175090507111040 Nandia Pradianti 85 70.85 100 98 48.33333 75 75 77.74 B+
