P2RP-LP3M UB
Portofolio Perkuliahan
UNIVERSITAS BRAWIJAYA
FAKULTAS MIPA
JURUSAN STATISTIKA / PROGRAM STUDI SARJANA STATISTIKA
Mata Kuliah:
Model Logika Fuzzy
Kode:
MAS62115
RMK:
Teori dan Komputasi
Semester:
Genap Dosen Dwi Ayu Lusia, S.Si., M.Si.
Pendahuluan
Mata Kuliah (MK) Model Logika Fuzzy adalah mata kuliah pilihan untuk mahasiswa semester 6 di tahun 2020. Terdapat 7 mahasiswa yang mengikuti mata kuliah model logika fuzzy. MK model logika fuzzy mempelajari tentang dasar teori logika fuzzy, perhitungan membership function, proses fuzzyfikasi, perhitungan hubungan fuzzy, perhitungan fuzzy inference system dan defuzzification. Selain itu, dasar teori dan langkah-langkah pada metode fuzzy dibandingkan dengan metode klasik. Sehingga mahasiswa mengetahui perbedaan antara metode fuzzy dan metode klasik. Setelah dasar teori dan langkah-langkah metode fuzzy dipelajari, MK model logika fuzzy mempelajari menganalisa kasus dengan metode logika fuzzy seperti fuzzy Tsukamoto, mamdani dan sugeno, fuzzy k-means, dan fuzzy time series.
1 Tujuan
Tujuan Umum:
Mata kuliah ini diajarkan supaya mahasiswa mampu menjelaskan mengenai dasar teori model logika fuzzy, langkah-langkah metode logika fuzzy, analisa kasus menggunakan model logika fuzzy serta perbedaannya dengan metode klasik.
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
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) Model Logika Fuzzy ini adalah:
- CLO 1: Mahasiswa mampu mengetahui dasar teori logika fuzzy dan perbedaannya dengan logika klasik
- CLO 2: Mahasiswa mampu membedakan dan menghitung membership function dari fuzzy dengan klasik
- CLO 3: Mahasiswa mampu membedakan dan menghitung proses fuzzyfication dengan proses klasik
- CLO 4: Mahasiswa mampu membedakan dan menghitung hubungan fuzzy dengan klasik
- CLO 5: Mahasiswa mampu memahami dan menghitung fuzzy inference system dan defuzzification
- CLO 6: Mahasiswa mampu menganalisa menggunakan fuzzy Tsukamoto, Mamdani, dan Sugeno
- CLO 7: Mahasiswa mampu menganalisa menggunakan fuzzy Clustering - CLO 8: Mahasiswa mampu menganalisa menggunakan fuzzy pada kasus
peramalan
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 Model Logika Fuzzy dan ILO yang disajikan pada Tabel 1.
Tabel 1. Matriks Hubungan antara CLO dan ILO MK Model Logika Fuzzy
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
CLO1 0.4 0 0.2 0 0.4 0 0 0
CLO2 0.2 0 0.4 0 0.4 0 0 0
CLO3 0.2 0 0.4 0 0.4 0 0 0
CLO4 0.2 0 0.4 0 0.4 0 0 0
CLO5 0.2 0 0.4 0 0.4 0 0 0
CLO6 0.1 0 0.3 0.3 0.2 0 0.05 0.05
CLO7 0.1 0 0.3 0.3 0.2 0 0.05 0.05
CLO8 0.1 0 0.3 0.3 0.2 0 0.05 0.05
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/model-logika-fuzzy.html)
- Penyampaian materi secara offline menggunakan presentasi dengan dosen yang
P2RP-LP3M UB
menjelaskan dan mahasiswa menjelaskan materi. Penyampaian materi secara online dilakukan dengan rekaman video yang diunggah pada youtube:
https://www.youtube.com/watch?v=jhp3lE-zjx0&list=PLMTlFEV0yx
RpclKNa5jjEMDFhy9OQTTeW. Sehingga mahasiswa dapat mempelajari kembali materi perkuliahan. Serta materi tidak akan terputus ketika koneksi tidak stabil. Selain itu, beberapa materi lainnya dilakukan dengan media message WhatsApp group (WAG) dan mahasiswa aktif melakukan analisis dengan bantuan software R dan dikirim melalui WAG
- 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.
- Menjelaskan langkah-langkah metode logika fuzzy secara terperinci kemudian mahasiswa mencobanya dan mengumpulkan hasil pekerjaannya.
- 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 email, WA personal, dan quizizz. Terdapat soal UTS yang memiliki soal berbeda untuk setiap mahasiswa dengan bobot kasus yang sama.
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 Senin jam 13.00 sampai 15.40 WIB di ruangan MC 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 setiap mahasiswa melakukan presentasi dengan materi yang telah ditetapkan.
Kuis 1 dilakukan saat pertemuan ke-5 untuk materi dasar teori model logika fuzzy, membership function, proses fuzzyfication, dan hubungan fuzzy dibandingkan dengan metode klasik.
UTS dilakukan secara terjadwal setelah pertemuan ke-7 untuk materi membership function, proses fuzzyfication, hubungan fuzzy, fuzzy inference system, dan defuzzyfication dibandingkan dengan metode klasik.
P2RP-LP3M UB
Tugas 2 untuk materi himpunan, metode fuzzy, fuzzifikasi, k-means dan fuzzy k-means menggunakan R
Kuis 2 dilakukan saat pertemuan ke-11 untuk materi fuzzifikasi, fuzzy Tsukamoto, fuzzy Mamdani, k-means, dan fuzzy k-means menggunakan R
UAS dilakukan saat pertemuan ke-14 untuk materi fuzzy time series menggunakan R
4 Isi Perkuliahan
- Dasar teori logika fuzzy dan perbedaannya dengan logika klasik - Membership function dari fuzzy dan klasik
- Proses fuzzyfication dan proses klasik - Hubungan fuzzy dan hubungan klasik - Fuzzy inference system dan defuzzification - Fuzzy Tsukamoto, Mamdani, dan Sugeno - Fuzzy Clustering (k-means dan fuzzy k-means) - Orde Tunggal Fuzzy time series
Kesesuaian antara materi perkuliahan yang dirancang pada kurikulum dengan prakteknya dapat dilihat pada Lampiran 1.
5 Peserta Kuliah
Mata kuliah Model Logika Fuzzy adalah mata kuliah pilihan yang diikuti oleh mahasiswa program studi Sarjana Statistika FMIPA UB, 5 mahasiswa angkatan 2017 dan 2 mahasiswa angkatan 2016.
6 Persentase Kehadiran
Kehadiran dosen adalah 100% sedangkan kehadiran mahasiswa rata-rata sebesar 90,82%
7 Sistem Evaluasi
- Presensi dihitung berapa persen mahasiswa hadir dalam perkuliahan
- Tugas 1 mahasiswa presentasi pada pertemuan 3 (materi proses fuzzification dan proses klasik), pertemuan 4 (hubungan fuzzy dan hubungan klasik), pertemuan 7 (defuzzification), pertemuan 10 (k-means dan fuzzy k-means). Terdapat 4 pertemuan atau materi yang dijelaskan oleh 7 mahasiswa, sehinga terdapat pertemuan yang dilakukan secara kelompok dan ada yang sendiri. Aspek penilaian adalah kelengkapan materi yang disajikan (kelompok) dan cara menyampaikan materi (personal).
- Kuis 1 dilakukan saat pertemuan ke-5 di kelas MC 2.3 untuk materi dasar teori model logika fuzzy, membership function, proses fuzzyfication, dan hubungan fuzzy dibandingkan dengan metode klasik. Terdapat 9 soal uraian yang meliputi 3 soal teori dasar, 3 soal perhitungan metode klasik, dan 3 soal perhitungan metode fuzzy dengan fungsi membership yang berbeda untuk setiap mahasiswa.
- UTS dilakukan secara terjadwal setelah pertemuan ke-7 untuk materi
P2RP-LP3M UB
membership function, proses fuzzyfication, hubungan fuzzy, fuzzy inference system, dan defuzzyfication dibandingkan dengan metode klasik. UTS memiliki 10 soal pilihan ganda dengan 5 pilihan, 5 soal uraian mengenai metode klasik, dan 5 soal uraian mengenai metode fuzzy dengan perbedaan fungsi membership untuk setiap mahasiswa. Soal pilihan ganda menggunakan media Edmodo.
Sedangkan soal uraian dikerjakan mahasiswa dengan tulis tangan yang kemudian foto dan dikirim melalui email. UTS dilakukan selama 2 jam.
- Tugas 2 untuk materi himpunan, metode fuzzy, fuzzifikasi, k-means dan fuzzy k-means menggunakan R. Tugas 2 merupakan rata-rata dari tugas pertemuan 8 dan tugas pertemuan 10. Tugas pertemuan 8 ialah mahasiswa membuat sintax untuk menghasilkan gambar dan nilai fuzzifikasi dari suatu data. Tugas pertemuan 10 ialah mahasiswa membuat sintax untuk menganalisis k-means dan fuzzy k-means dengan k bernilai 3, 4, dan 5, kemudian membandingkan nilai akurasinya.
- Kuis 2 dilakukan saat pertemuan ke-11 untuk materi fuzzifikasi, fuzzy Tsukamoto, fuzzy Mamdani, k-means, dan fuzzy k-means menggunakan R.
Terdapat 8 soal uraian yang sama untuk semua mahasiswa. 6 soal ialah membuat sintax, dan 2 sisanya memberikan kesimpulan dari hasil analisis yang telah dilakukan.
- UAS dilakukan saat pertemuan ke-14 untuk materi fuzzy time series menggunakan R. UAS memiliki 25 soal pilihan ganda dengan 4 pilihan. UAS dilakukan dengan media Quizizz dengan random pertanyaan, random jawaban, menampilkan satu persatu pertanyaan dan tidak bisa kembali ke pertanyaan sebelumnya. Waktu yang diperlukan tiap soal berbeda-beda, jika soal perhitungan maka 3 menit, sedangkan soal teori hanya 2 menit.
Pada minggu UTS dan UAS seluruh kegiatan perkuliahan diliburkan, sehingga mahasiswa konsentrasi untuk menghadapi UTS/UAS.
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)
Asesment Materi
Bobot terhada p Nilai akhir
CL O 1
CLO 2
CLO 3
CLO 4
CL O 5
CLO 6
CL O 7
CLO 8 Bobot Asesment terhadap CLO (Course Learning Outcome)
ABS1
Kehadiran disetiap pertemuan
0.05 0.1 0.1 0.2 0.1 0.1 0.1 0.1 0.2
Q1
Dasar teori logika, membership function, fuzzyfication, dan hubungan fuzzy
0.15 0.4 0.2 0.2 0.2 0 0 0 0
Q2 Fuzzy 0.15 0 0 0 0 0 0.6 0.4 0
P2RP-LP3M UB
Tsukamoto, Mamdani, dan Sugeno, serta Fuzzy Clustering
T1
Fuzzification, hubungan fuzzy, FIS, dan fuzzy clustering
0.075 0 0 0.25 0.25 0.25 0 0.25 0
T2
Fuzzy Tsukamoto, Mamdani, dan Sugeno, serta Fuzzy Clustering
0.075 0 0 0 0 0 0.5 0.5 0
UTS1
Membership function, proses fuzzyfication, hubungan fuzzy, dan FIS
0.25 0 0.25 0.25 0.25 0.25 0 0 0
UAS1
Orde Tunggal Fuzzy Time Series
0.25 0 0 0 0 0 0 0 1
8 Pengamatan Kelas
Perkuliahan model logika fuzzy dilakukan dengan tatap muka sebanyak 7 pertemuan dan 7 pertemuan lainnya menggunakan online. Terdapat satu mahasiswa yang kurang cepat menangkap materi perkuliahan. Akan tetapi mahasiswa tersebut dapat mengikuti perkuliahan karena sedikitnya jumlah mahasiswa dalam satu kelas. Sedangkan mahasiswa lainnya sangat cepat menerima materi. Semua mahasiswa sangat aktif baik dalam bertanya, menjawab pertanyaan, mempraktikkan dengan R, cara presentasi, maupun materi yang diberikan cukup menarik.
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 Model Logika Fuzzy
CLO1 CLO2 CLO3 CLO4 CLO5 CLO6 CLO7 CLO8
Rata -
rata 79.31 77.19 79.84 79.37 79.72 91.61 91.29 70.66
Kateg ori Capai an
SATISFA CTORY
SATISFA CTORY
SATISFA CTORY
SATISFA CTORY
SATISFA CTORY
EXCE LLENT
EXCE LLENT
SATISF ACTOR Y Bany
aknya maha siswa denga n CLO
>60
5 6 6 6 7 7 7 6
Perse ntase maha siswa dnega n CLO
>60 71.43 85.71 85.71 85.71 100 100 100 85.71
Kateg ori Perse ntase
HIGH HIGH HIGH HIGH HIGH HIGH HIGH HIGH
P2RP-LP3M UB
(a) (b)
Gambar 1. Visualisasi (a) indeks capaian dan (b) presentasi mahasiswa dengan capaian
>60 di setiap CLO MK Model Logika Fuzzy
Sesuai dengan kategori capaian yang tersaji pada Tabel 4, dapat disimpulkan beberapa hal berikut ini:
- Hanya CLO6 (Kemampuan menganalisa menggunakan Fuzzy Tsukamoto, Mamdani dan Sugeno) dan CLO7 (Kemampuan menganalisa menggunakan Fuzzy Clustering) 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 CLO6 dan CLO7 selainnya berada pada kategori pencapaian satisfactory.
- Capaian pembelajaran yang bersifat butuh logika (CLO1 – Mahasiswa mampu memahami perbedaan logika fuzzy dan logika klasik) adalah yang paling rendah di antara semua capaian yang lain, dengan persentase terendah (71%) 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.
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
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
0 50 100CLO1
CLO2
CLO3
CLO4 CLO5
CLO6 CLO7
CLO8
Weighted-avg-based CLO's AI
Achievement Index of MAS62135
0 50 100CLO1
CLO2
CLO3
CLO4 CLO5
CLO6 CLO7
CLO8
Student num-based CLO's AI
Achievement Index of MAS62135
P2RP-LP3M UB
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 tiga ILO yang berada pada kategori capaian Excellent, yaitu:
ILO 4 - Menguasai minimal dua perangkat lunak statistika, termasuk yang berbasis open source.
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 tiga 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
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 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
Terdapat 100% mahasiswa yang memiliki nilai capaian di atas 60 untuk ILO1, ILO3, ILO4, ILO5, 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 Model Logika Fuzzy
ILO1 ILO
2 ILO3 ILO4 ILO5 IL
O6 ILO7 ILO8
Rata - rata
terboboti 79.7 79.94 80.93 79.74 80.93 80.93
Kategori Capaian
SATISFA CTORY
SATISFA CTORY
EXCELL ENT
SATISFA CTORY
EXCELL ENT
EXCELL ENT Banyaknya
mahasiswa dengan ILO>60
7 7 7 7 7 7
Persentase
mahasiswa 100 100 100 100 100 100
P2RP-LP3M UB dnegan ILO>60
Kategori 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 Model Logika Fuzzy 10 Kendala
- Kurangnya kemampuan dosen dalam menunjukkan hasil perhitungan 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.
- Karena terdapat kebijakan bahwa tidak ada jadwal UAS terstruktur, maka UAS dilaksanakan saat pertemuan ke-14. Sehingga materi fuzzy time series tidak sesuai dengan rencana.
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 Model Logika Fuzzy 2019/2020
Statistika
deskriptif Presensi Tugas1 Tugas2 Kuis1 Kuis2 UTS UAS Nilai Akhir Rata-rata 90.82 90.71 90.00 78.35 92.32 75.54 69.86 80.04
Median 92.86 95 100 97.41 95 77.5 67 79.07
Simpangan
Baku 7.36 9.79 11.65 24.01 7.21 9.35 13.47 7.62
0 50 100ILO1
ILO2
ILO3
ILO4 ILO5
ILO6 ILO7
ILO8
Weighted-avg-based ILO's AI
Achievement Index of MAS62135
0 50 100ILO1
ILO2
ILO3
ILO4 ILO5
ILO6 ILO7
ILO8
Student num-based ILO's AI
Achievement Index of MAS62135
P2RP-LP3M UB
Range 21.43 25 25 54.44 21.25 31.25 40 24.68
Minimum 78.57 75 75 45.56 77.5 53.75 51 65.74
Maximum 100 100 100 100 98.75 85 91 90.42
Berdasarkan Tabel 6, dapat diketahui bahwa rata-rata terbesar (sebesar 92.32) ada pada assessment Kuis2. Median terbesar (sebesar 100) terdapat pada assessment Tugas2.
Simpangan baku terbesar ialah assessment Kuis1 sebesar 24.01. Range terbesar terdapat pada assessment Kuis1 dengan nilai maksimum sebesar 100, minimum sebesar 45.56, dan range sebesar 54.44. Nilai minimum terendah sebesar 45.56 pada assessment Kuis1 dan tertinggi sebesar 78.57 pada sessment Presensi atau kehadiran. Nilai sempurna (100) terdapat pada assessment Presensi, Tugas1, Tugas2, dan Kuis1. Sedangkan nilai akhir yang diperoleh dengan 0.05*presensi + 0.15*Q1 + 0.15*Q2 + 0.075*T1 + 0.075*T2 + 0.25*UTS1 + 0.25*UAS1 memiliki rata-rata dan median sebesar 80.
Sedangkan nilai minimum dan maksimum dari nilai akhir sebesar 65.74 dan 90.42.
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 43%. Nilai huruf B+ dan B secara berurutan diperoleh sebanyak 43% dan 0% mahasiswa. Sedangkan nilai huruf C+
sebanyak 14% mahasiswa.
Gambar 3. Sebaran nilai akhir huruf MK Model Logika Fuzzy 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, 43% 43%
0%
14%
0% 0%
A B+ B C+ C D
P2RP-LP3M UB
perlunya strategi baru dalam mengevaluasi pemahaman mahasiswa disetiap pertemuan dan tugas yang diberikan.
13 Rekomendasi Perbaikan
- Perlu pendalaman lebih lanjut 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)
P2RP-LP3M UB
Lampiran 1.
Kesesuaian Materi Perkulihaan antara Rencana dan PraktekPertemuan Rencana Pertemuan
1 2 3 4 5 6 7 8 9 10 11 12 13 14
1 Dasar metode logika
fuzzy √
2 Himpunan klasik dan
himpunan fuzzy √
3
membership function dan proses
fuzzyfication
√
4 hubungan fuzzy dan
hubungan klasik √
5 Kuis1 √
6 Fuzzy Inference
system √
7 defuzzyfication √
UTS √
8
Analisis fuzzy tsukamoto, mamdani dan sugeno
Konsep fuzzy menggunakan
R 9
Analisis fuzzy tsukamoto, mamdani dan sugeno
√
10 Analisis k-means dan
fuzzy k-means √
11 kuis2 √
12 fuzzy time series: Orde tunggal
P2RP-LP3M UB
Chen dan Yu Fuzzy time series:
Chen, Yu, Cheng, Lee
13 fuzzy time series:
Cheng
Orde tunggal Fuzzy time series
menggunakan R
14 fuzzy time series: Lee UAS
P2RP-LP3M UB
Lampiran 2.
Daftar Rincian NilaiNo NIM Nama Presensi Tugas1 Tugas2 Kuis1 Kuis2 UTS UAS NA NH
1 '165090500111018 Rayoga Rahmansyah 85.71 80 75 45.56 98.75 53.75 59 65.74 C+
2 '165090507111017 Faiqotun Nadiansyah 78.57 100 80 61.61 95 77.50 63 76.04 B+
3 '175090500111021 Ryan Adi Nugroho 92.86 85 100 100.00 86.25 75.00 51 77.96 B+
4 '175090500111022 Rafif Arsalan 85.71 100 100 46.48 98.75 85.00 67 79.07 B+
5 '175090500111027 Triardy Satria Wibawa 100 75 75 97.41 96.25 80.00 91 88.05 A 6 '175090501111002 Dimas Wahyu Nur Muhammad 100 100 100 97.41 93.75 80.00 87 90.42 A 7 '175090507111038 Ahmad Hakim Purwanto 92.86 95 100 100.00 77.5 77.50 71 83.02 A
