Portofolio Perkuliahan
UNIVERSITAS BRAWIJAYA
FAKULTAS MIPA
JURUSAN STATISTIKA / PROGRAM STUDI SARJANA STATISTIKA
Mata Kuliah:
Pengantar Model Linier
Kode:
MAS61123
RMK:
Ilmu Hayati
Semester:
Ganjil
Dosen Dr. Ir. Solimun, MS.
Pendahuluan
Mata kuliah Pengantar Model Linier merupakan mata kuliah wajib yang dibebankan kepada mahasiswa baru atau yang menempuh perkuliahan semester V. Mata kuliah ini membutuhkan prasyarat mata kuliah Pengantar Analisis Regresi dan Pengantar Rancangan Percobaan. Mata kuliah ini memiliki tiga paralel kelas yaitu A, B dan C. Namun kelas yang saya ampuh pada mata kuliah ini yaitu kelas B. Adapun tujuan adanya mata kuliah ini adalah agar mahasiswa mampu memahami konsep dan dasar-dasar model linier. Dalam kaitannya dengan ilmu statistika, mata kuliah ini juga membahas mengenai peran ilmu statistika dalam manajemen.
Selama pelaksanaan perkuliahan, dosen pengajar saling berdiskusi dan berkoordinasi baik dalam penyampaian materi perkuliahan, asesmen melalui tugas, kuis, dan UTS. Jadi, dengan adanya team teaching ini, diharapkan setiap kelas paralel memiliki outcome pembelajaran yang sama. Perkuliahan dilaksanakan secara luring. Perkuliahan secara luring dilaksanakan sesuai jadwal KRS yaitu pada hari Rabu selama 3 sks dimulai pada pukul 13:00 WIB s/d 15:40 WIB terhitung mulai pekan 1 hingga 16.
1 Tujuan
Tujuan Umum:
Mata kuliah ini diajarkan dengan tujuan agar mahasiswa mampu memahami konsep dasar, manfaat, dan fungsi-fungsi pemodelan linier. Mata kuliah ini diajarkan untuk mendukung Capaian Pembelajaran Program Studi (Intended Learning Outcome - ILO) sebagai berikut:
- ILO 1: Menguasai konsep dasar keilmuan dan metode analisis statistika yang dapat diaplikasikan pada bidang komputasi, sosial humaniora, ekonomi, industri, dan hayati.
- ILO 2: Mampu menyusun dan atau memilih rancangan
pengumpulan/pembangkitan data secara efisien dan menerapkan dalam bentuk survei, percobaan, atau simulasi.
- ILO 3: Mampu mengelola dan menganalissi data, menyelesaikan permasalahan nyata menggunakan metode statistika di bidang komputasi statistika, sosial humaniora, dan ekonomi.
- 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 kaidan, tata cara, dan etika ilmiah.
Sedangkan capaian pembelajaran dari Mata Kuliah (Course Learning Outcome - CLO) MK Pengantar Model Linier ini adalah:
- CLO 1: Mahasiswa mampu memahami dan menjelaskan konsep-konsep dasar aljabar matriks.
- CLO 2: Mahasiswa mampu memahami dan menjelaskan distribusi bentuk kuadrat dan memiliki ketrampilan menangani model kuadrat.
- CLO 3: Mahasiswa mampu memahami dan menjelaskan prinsip kuadrat terkecil dan umum.
- CLO 4: Mahasiswa memiliki ketrampilan menangani model non singular (model berpangkat penuh/model regresi) dan sekaligus melakukan pendugaan parameter dan pengujian hipotesis.
- CLO 5: Mahasiswa memiliki ketrampilan menangani model singular (model berpangkat tidak penuh/model anova) dan sekaligus melakukan pendugaan parameter dan pengujian hipotesis.
- CLO 6: Mahasiswa mampu menjelaskan prinsip-prinsip galat bersyarat, penguraian jumlah kuadrat serta memahami penggunaannya pada rancangan kelompok tidak lengkap, data tak berimbang.
- CLO 7: Mahasiswa memiliki ketrampilan menghitung nilai duga parameter dan melakukan pengujian hipotesis model campuran.
- CLO 8: Mahasiswa memiliki ketrampilan menghitung nilai duga parameter dan melakukan pengujian hipotesis model linier umum keluarga distribusi
eksponensial.
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 Pengantar Model Linier dan ILO yang disajikan pada Tabel 1.
Tabel 1. Matriks Hubungan antara CLO dan ILO MK Pengantar Model Linier
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
CLO1 0,3 0 0 0 0,4 0 0 0,3
CLO2 0,3 0 0 0 0,4 0 0 0,3
CLO3 0,2 0 0,2 0,2 0,2 0 0 0,2
CLO4 0,2 0 0,2 0,2 0,2 0 0 0,2
CLO5 0,2 0 0,2 0,2 0,2 0 0 0,2
CLO6 0,2 0 0,2 0,2 0,2 0 0 0,2
CLO7 0,2 0 0,2 0,2 0,2 0 0 0,2
CLO8 0,2 0 0,2 0,2 0,2 0 0 0,2
2 Strategi Pembelajaran
Strategi pembelajaran masa pandemi COVID-19 untuk MK Pengantar Model Linier B terbagi menjadi 2, yaitu strategi pembelajaran secara luring dan secara daring.
Pembelajaran secara luring dilakukan pada pekan ke-1 hingga pekan ke-7, adapun
secara daring dimulai sejak pelaksanaan UTS hingga akhir semester (UAS).
I. Strategi Pembelajaran Luring
- Pada awal perkuliahan, mahasiswa diberikan pengantar perkuliahan mengenai ruang lingkup, esensi, materi, tujuan, dan manfaat mata kuliah yang diajarkan secara komprehensif. Termasuk keterkaitan mata kuliah dengan mata kuliah lain utamanya terkait bidang statistika. Strategi pembelajaran dan rencana materi yang diajarkan juga dijelaskan pada awal perkuliahan.
- Mahasiswa diberikan pemahaman terkait pentingnya mata kuliah ini baik bagi mahasiswa sendiri di dunia perkuliahan maupun setelah perkuliahan, serta pemahaman mengenai kontinuitas materi mata kuliah sehingga mahasiswa mengetahui keberlanjutan pembelajaran dan konteks setiap sub bab dalam materi. Karena setiap sub bab yang diajarkan saling menjelaskan dan terikat satu sama lain, jadi untuk memahami secara jelas ruang lingkup model linier, mahasiswa harus memahami setiap sub bab yang diajarkan. Oleh karena itu, diperlukan konsistensi dan sikap ajeg dari setiap mahasiswa.
- Perkuliahan dilakukan dengan metode terpusat pada dosen, namun demikian dosen tetap memberikan kesempatan kepada para mahasiswa untuk melakukan dialog interaktif berupa tanya-jawab tentang materi dan terapannya di lapang.
- Dosen memberikan modul perkuliahan di pekan pertama perkuliahan sehingga harapannya mahasiswa mempunyai bekal awal di tiap-tiap tatap muka dan mempelajarinya sebelum perkuliahan dimulai.
- Media yang digunakan dalam perkuliahan adalah dengan papan tulis dan slide materi dengan LCD, sedangkan setiap mahasiswa diharapkan mencetak materi /handout yang telah dibagikan agar ketika perkuliahan berjalan mahasiswa dapat menambahkan keterangan-keterangan yang dibutuhkan yang belum tertera di handout.
- Guna mengetahui ketercapaian pembelajaran, Dosen memberikan evaluasi dan assessment untuk tiap materi berupa tugas yang dikerjakan di luar ruang kelas.
Bentuk evaluasi dan assessment lain adalah kuis yang dikerjakan di dalam kelas dengan aturan tempat dan waktu tertentu.
3 Pengelolaan Perkuliahan
Mata kuliah ini adalah mata kuliah 3 sks dengan jadwal pertemuan satu minggu sekali (3x 50 menit) selama 14 minggu. Untuk UTS dilaksanakan terjadwal setelah 7 kali pertemuan, sedangkan UAS juga dilaksanakan terjadwal setelah pertemuan ke 14.
Perkuliahan:
a. Jadwal: Kelas Pengantar Manajemen B terjadwal pada hari Rabu, pukul 13.00 – 15.40 WIB. Pada setiap pertemuan luring, dosen memberikan kesempatan untuk berdiskusi dan bertanya tentang kesulitan pada materi sebelumnya, kemudian dosen menyajikan materi baru berupa teori disertai pembahasan tugas pada pertemuan sebelumnya pada 2 sks pertama. Sedangkan pada 1 sks selanjutnya mahasiswa diminta untuk berdiskusi untuk menjawab pertanyaan dari dosen atau dosen langsung menunjuk mahasiswa maju ke depan untuk langsung
menjawab pertanyaan atau soal, serta diberikan beberapa penugasan untuk dikerjakan di rumah.
b. Setiap pertemuan mempunyai capaian pembelajaran yang spesifik sesuai materi yang disampaikan. Untuk mengukur ketercapaiannya, telah dirancang pemberian tugas. Hasil tugas mahasiswa tersebut dijadikan sebagai bahan evaluasi, untuk mengulang kembali bagian – bagian yang dirasa perlu pada pertemuan selanjutnya. Sesuai yang dirancang pada RPS dan SAP, mahasiswa mengerjakan beberapa hal berikut ini sebagai bentuk penilaian:
- Kuis 1: evaluasi pertemuan 1 sampai 4 yang mencakup materi konsep dasar aljabar matriks, distribusi bentuk kuadrat atau model kuadrat, prinsip kuadrat terkecil dan umum, dan model non singular (model berpangkat penuh/model regresi).
- UTS: Dilaksanakan secara luring, yang mencakup materi konsep dasar aljabar matriks, distribusi bentuk kuadrat atau model kuadrat, prinsip kuadrat terkecil dan umum, dan model non singular (model berpangkat penuh/model regresi), model singular (model berpangkat tidak penuh/model anova), pendugaan parameter dan pengujian hipotesis, prinsip galat bersyarat dan Penguraian jumlah kuadrat. Soal berupa pengujian pemahaman terkait konsep model linier secara teoritis maupun implementatif.
- Kuis Akhir/UAS: Kuis akhir merupakan asesmen pengganti UAS yang berisi evaluasi pemahaman materi yang telah diajarkan baik secara teoritis.
Semua bentuk penilaian di atas harus dikerjakan secara mandiri oleh mahasiswa.
4 Isi Perkuliahan
- Pendahuluan (kontrak belajar, konsep-konsep dasar aljabar matriks) - Model kuadrat dan distribusi bentuk kuadrat
- Prinsip kuadrat terkecil dan umum
- Model non singular (model berpangkat penuh/model regresi), pendugaan parameter dan pengujian hipotesis
- Model singular (model berpangkat tidak penuh/model anova), pendugaan parameter dan pengujian hipotesis
- Prinsip galat bersyarat, penguraian jumlah kuadrat, penggunaan pada rancangan kelompok tidak lengkap, data tak berimbang
- Model campuran, pendugaan parameter dan pengujian hipotesis
- Model linier umum keluarga distribusi eksponensial dan pengujian hipotesisnya
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 Pengantar Model Linier kelas B diikuti oleh 31 mahasiswa Angkatan 2017.
6 Persentase Kehadiran
Untuk Pengantar Model Linier kelas B, rata-rata persentase kehadiran dosen adalah 100% sedangkan kehadiran mahasiswa rata – rata sebesar 89%.
7 Sistem Evaluasi (jelaskan tentang PR, Kuis, tugas kelompok, praktikum, dll)
- Evaluasi per minggu dilakukan melalui tugas dengan tujuan untuk menggali pemahaman mahasiswa terhadap materi perkuliahan yang telah disampaikan di setiap minggu/pertemuan. Pelaksanaan tugas, mahasiswa masih dapat membuka catatan (open resume) karena dikerjakan di rumah. Hasil dari tugas tersebut dimanfaatkan dosen untuk membahas ulang materi yang dirasa kurang pemahamannya dalam diskusi pada pertemuan di minggu selanjutnya.
- Evaluasi melalui kuis dilakukan sebanyak 2 kali dengan tujuan untuk mengukur pemahaman dari materi yang dijelaskan di pertemuan-pertemuan sebelumnya.
Tipe soal menyerupai soal tugas dengan mengombinasikan teori atau penurunan rumus. Selama pelaksanaan kuis mahasiswa tidak diberi kesempatan membuka catatan (close resume).
- Evaluasi materi sampai dengan tengah semester dilaksanakan melalui UTS, yang diselenggarakan secara terjadwal. Soal UTS berupa soal uraian terdiri dari 3 soal yang harus dijawab mahasiswa dengan jawaban yang efektif dan efisien agar kalimat tidak bertele-tele dan mudah dipahami.2
Pada minggu UTS dan UAS seluruh kegiatan perkuliahan diliburkan, sehingga mahasiswa konsentrasi untuk menghadapi UTS/UAS.
Soal untuk seluruh tipe evaluasi dibuat tidak sama untuk semua kelas pararel, tergantung dosen pengampu masing-masing kelas.
Materi yang dievaluasi untuk setiap asesmen 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
ment Materi
Bobot terhadap
Nilai akhir
CLO 1
CLO 2
CLO 3
CLO 4
CLO 5
CLO 6
CLO 7
CLO 8 Bobot Asesment terhadap CLO (Course Learning Outcome) Q1 konsep-
konsep dasar aljabar matriks, distribusi bentuk kuadrat, prinsip kuadrat terkecil.
0,2 0,167 074
0,176 902
0,316 562
0,176 902
0,162
559 0 0 0
P1 non singular (model berpangkat penuh/model regresi) dan
0,2 0 0 1 0 0 0 0 0
model singular (model berpangkat tidak penuh/model anova) UTS1 prinsip-
prinsip galat bersyarat, penguraian jumlah kuadrat serta memahami penggunaan nya pada rancangan kelompok tidak lengkap, data tak berimbang.
0,3 0,167 074
0,176 902
0,316 562
0,176 902
0,162
559 0 0 0
UAS1 menghitung nilai duga parameter dan melakukan pengujian hipotesis model linier umum keluarga distribusi eksponensial .
0,3 0 0 0 0,355
41
0,326 593
0,317
998 0 0
8 Pengamatan Kelas
Selama perkuliahan luring mata kuliah Pengantar Model Linier 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 turut aktif dalam proses diskusi yang berjalan. 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. Mahasiswa yang aktif mengikuti proses pembelajaran di kelas adalah mahasiswa yang duduk di barisan depan, namun juga ada mahasiswa yang duduk di belakang yang aktif menjawab pertanyaan dan mengemukakan pendapat selama diskusi.
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 menyaksikan penjelasan yang diberikan dosen di slide tanpa mengamati dan membuat catatan atau menjabarkannya sendiri
- Di antara mereka bahkan ada yang tidak membuka catatan apapun di atas bangku kuliah.
- Ketika daring, mahasiswa tidak aktif mengemukakan pendapat ketika diskusi berlangsung.
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 dan diskusi sehingga mendorong mahasiswa tersebut untuk belajar dan memahami secara mandiri dan sesama mahasiswa lainnya. Selain itu, dosen terbuka menerima pertanyaan apabila terdapat mahasiswa yang belum dapat memahami materi yang disampaikan.
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:
- Semua CLO selain CLO3 selainnya berada pada kategori pencapaian satisfactory.
- Capaian pembelajaran yang paling rendah di antara semua capaian yang lain, dengan persentase terendah (74,84%) 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 3. Deskripsi Nilai dan Kategori Capaian untuk Setiap CLO MK Pengantar Model Linier
CLO1 CLO2 CLO3 CLO4 CLO5 CLO6
Rata - rata 76,91 76,91 84,1 75,53 75,53 74,84
Kategori Capaian
SATIS FACT ORY
SATIS FACT ORY
EXCE LLENT
SATIS FACT ORY
SATIS FACT ORY
SATIS FACT ORY Banyaknya mahasiswa dengan
CLO>60 29 29 30 26 26 25
Persentase mahasiswa dnegan
CLO>60 93,55 93,55 96,77 83,87 83,87 80,65
Kategori Persentase HIGH HIGH HIGH HIGH HIGH HIGH
Tabel 4. Kategori nilai CLO/ILO, dan Kategori Persentase Mahasiswa yang mencapai CLO/ILO >60
Kategori nilai CLO/ILO Kategori persentase mhs dengan CLO/ILO>60
Skor >=80 EXCELLENT Persen>=70 HIGH
65<= Skor <80 SATISFACTORY 60 <= Persen < 70 MEDIUM 50<= Skor <65 DEVELOPING 50 <= Persen < 60 LOW 0<= Skor <50 UNSATISFACTORY Persen < 50 VERY LOW
- (b)
Gambar 1. Visualisasi (a) indeks capaian dan (b) presentasi mahasiswa dengan capaian
>60 di setiap CLO MK Pengantar Model Linier
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
0 20 40 60 80 100CLO1
CLO2
CLO3
CLO4 CLO5
CLO6 CLO7
CLO8
Weighted-avg-based CLO's AI
Achievement Index of MAS61123
0 20 40 60 80 100CLO1
CLO2
CLO3
CLO4 CLO5
CLO6 CLO7
CLO8
Student num-based CLO's AI
Achievement Index of MAS61123
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 lima 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 menganalissi data, menyelesaikan permasalahan nyata menggunakan metode statistika di bidang komputasi statistika, sosial humaniora, dan ekonomi.
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 kaidan, tata cara, dan etika ilmiah.
Tabel 5. Deskripsi Nilai dan Kategori Capaian untuk Setiap ILO yang didukung oleh MK Statistika Matematika II
ILO1 ILO
2 ILO3 ILO4 ILO5 ILO
6 ILO
7 ILO8 Rata - rata terboboti 78,33 78,67 78,67 78,25
78,33 Kategori Capaian
SATIS FACT ORY
SATIS FACT ORY
SATIS FACT ORY
SATIS FACT ORY
SATIS FACT ORY Banyaknya mahasiswa
dengan ILO>60 29 29 29 29
29 Persentase mahasiswa
dnegan ILO>60 93,55 93,55 93,55 93,55
93,55
Kategori 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 Pengantar Model Linier
10 Kendala
- Kendala dalam pembelajaran kelas ini adalah materi yang dipelajari dalam mata kuliah ini penuh dengan hitung-hitungan atau penurunan rumus sehingga ketika menerangkan dosen langsung menerangkan di papan tulis dan itu membutuhkan waktu yang cukup lama atau kurang efisien karena dosen perlu menulisnya di papan. Jika langsung diterangkan menggunakan power point menggunakan LCD, akan menyebabkan susah pemahaman materi bagi mahasiswa. Sehingga dosen memerlukan tenaga lebih untuk menerangkan materi, ditambah perkuliahan dilaksanakan pada siang hari.
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 nilai akhir dapat dilihat di Tabel 6. Rata – rata nilai akhir mahasiswa adalah 78,45, dengan kurang dan lebihnya 43 poin dari rata – rata tersebut. Terdapat satu mahasiswa dengan nilai paling rendah (49,27), dan nilai tertinggi (92,58) dicapai oleh 1 mahasiswa.
Tabel 2. Statistika Deskriptif Nilai Akhir Pengantar Model Linier B 2019/2020
Rata rata 78.45
Median 82.58
Simpangan baku 10.35
Range 43.31
Minimum 49.27
Maksimum 92.58
Setelah dikonversi menjadi nilai huruf sesuai standar konversi penilaian, sebaran nilai
0 20 40 60 80 100ILO1
ILO2
ILO3
ILO4 ILO5
ILO6 ILO7
ILO8
Weighted-avg-based ILO's AI
Achievement Index of MAS61123
90 92 94 96 98 100ILO1
ILO2
ILO3
ILO4 ILO5
ILO6 ILO7
ILO8
Student num-based ILO's AI
Achievement Index of MAS61123
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 A. Perhatian lebih harus diberikan kepada mahasiswa dengan nilai D, agar dapat mengulang mata kuliah ini di semester regular maupun semester pendek, agar terhindar dari aturan nilai D yang tidak lebih dari 10% total sks di akhir studinya.
Gambar 3. Sebaran nilai akhir huruf MK Pengantar Model Linier 2019/2020
12 Kesimpulan
- Pemberian materi model linier untuk mahasiswa statistika dengan hasil nilai yang diperoleh ada yang buruk (C atau bahkan E) namun mayoritas di atas B mengindikasikan bahwa model linier dapat diterima dan diterapkan dengan baik oleh mahasiswa, utamanya dalam hal ini mahasiswa kelas Pengantar Model Linier B 2019/2020.
-
13 Rekomendasi Perbaikan
- Perlu dilakukan penerapan bahasa yang lebih mudah dipahami oleh mahasiswa dalam menyampaikan teori-teori yang terdapat pada materi perkuliahan yang diajarkan oleh dosen pengampu.
- Memberikan motivasi kepada mahasiswa untuk tidak menyepelekan atau menganggap remeh mata kuliah ini, dikarenakan mata kuliah Pengantar Model Linier merupakan mata kuliah penting yang dibutuhkan utamanya di dunia kerja.
55%
19%
10% 10%
0% 3%
0%
0%
10%
20%
30%
40%
50%
60%
A B+ B C+ C D E
Persen Nilai Huruf
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 dan 16 17
1
Memahami dan menjelaskan konsep-konsep dasar aljabar matriks
Kontak
kuliah,
Definisi model linier
dan aljabar matriks
Metodologi dalam Pengantar model linier Tipe data dan
sumber data untuk analisis model linier 2 Memahami dan
menjelaskan distribusi bentuk kuadrat dan memiliki ketrampilan menangani model kuadrat
Konsep fungsi model kuadrat
Penerapan distribusi
kuadrat menangani
model kuadrat 3 Memahami dan
menjelaskan prinsip kuadrat terkecil dan umum
Uji hipotesis parameter
model, selang kepercaya
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 12 13 14 15 dan 16 17
an Contoh analisis dan praktik langsung mengguna kan Excel dan R 4 Menerapkan
prinsip kuadrat terkecil dan umum
Penera pan kuadrat terkecil pada
data Memiliki
ketrampilan menangani model non singular (model berpangkat penuh/model regresi)
Model non singula
r (model berpan
gkat penuh/
model regresi)
5 Memiliki ketrampilan menangani model singular (model berpangkat tidak
Model singular
(model berpang kat tidak penuh/m
odel
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 12 13 14 15 dan 16 17
penuh/model anova)
anova) Menerapkan
pendugaan parameter dan pengujian hipotesis
Penduga an paramet
er dan pengujia
n hipotesi
s 6 Menjelaskan
prinsip galat bersyarat
pengurai an jumlah kuadrat pada rancanga
n kelompo
k
Contoh analisis dan praktik langsung menggun akan Excel dan Gretl
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 12 13 14 15 dan 16 17
7 Penguraian jumlah kuadrat
Pengura ian jumlah kuadrat pada rancang
an kelompo
k tidak lengkap,
data tak berimba
ng 8
dan 9
UT
S 10 Menerapkan
rancangan kelompok tidak lengkap dan data tak berimbang
Contoh analisis dan praktik langsung mengguna kan Excel dan SPSS 11 Membentuk
model campuran
Contoh analisis dan praktik langsun
g menggu
nakan Menjelaskan
pendugaan parameter dan pengujian hipotesis
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 12 13 14 15 dan 16 17
Excel dan SPSS 12 Menjelaskan
dan menerapkan model
campuran
Pendu gaan param eter dan penguj
ian hipote
sis model campu
ran Conto
h analisi
s dan prakti k langsu
ng mengg
unaka n Excel
dan SPSS
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 12 13 14 15 dan 16 17
13 Membentuk model linier umum keluarga distribusi eksponensial
Contoh analisis dan praktik langsun
g menggu
nakan Excel dan SPSS 14 Menerapkan
analisis pada model linier umum eksponensial
Pendugaan parameter
dan pengujian
hipotesis model
linier umum keluarga distribusi eksponensi
al Contoh analisis dan praktik
langsung mengguna kan Excel dan SPSS
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 12 13 14 15 dan 16 17
15 dan
16
Menerapkan analisis pada kasus - kasus riil, mulai dari konsep dasar aljabar matriks, metode kuadrat dan
distribusinya, prinsip kuadrat terkecil dan umum, pendugaan parameter model singular, model non singular, model campuran, model linier eksponensial, serta Prinsip galat bersyarat, penguraian jumlah kuadrat, penggunaan pada rancangan kelompok tidak lengkap, data tak berimbang
Presentasi hasil tugas kelompok
Bekerja sama di dalam
kelompok
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 12 13 14 15 dan 16 17
Menyampaikan hasil analisisnya tersebut secara lisan maupun tertulis 17 UAS
U A S
Kehadiran (%) 87,89 100 99,12 100 100 100 99,12 100 99,12 99,12 100 100 100
Lampiran 2. Daftar Rincian Nilai
NIM Nama Q1 P1 UTS1 UAS1 NA
'175090400111032 Nasrurrohman Abdul Karim Cholis 70 86 75 75 76,70833
'175090500111002 Riska Mei Anggreani 80 89 80 90 85,86729
'175090500111003 Rismania Hartanti Putri Yulianing Damayanti 78 86 95 80 85,56281
'175090500111008 Ina Triani 78 90 75 95 86,36667
'175090500111014 Gusti Agung Ayu Devi Indra Suari 100 82 70 60 71,43333
'175090500111016 Muhammad Irvan Reinardsyah 75 91 60 75 73,66667
'175090500111019 Sausan Dian Maulida 60 83 80 50 66,5
'175090500111023 Nurul Rismasari 90 93 80 85 85,55
'175090500111031 Erika Triswanda 90 87 70 65 73,325
'175090500111033 Alifya Al Rohimi 80 90 95 95 92,575
'175090500111036 Mamlu`Atul Marchamah 75 96 75 75 79,13333
'175090500111038 Agus Putradana Amertha 65 97 65 80 77,42716
'175090500111039 Zidane Ariyandy 60 56 55 50 53,6
'175090501111002 Dimas Wahyu Nur Muhammad 75 92 90 75 82,96667
'175090501111006 Salwa Alfi Azhari 85 80 95 85 86,98333
'175090501111011 Irsyad Maulana Khaironi 85 95 75 90 85,93333
'175090501111019 Vaulita Qatrunnada 75 93 70 70 75,133
'175090501111023 Septika Ningrum Riski Irawati 100 92 90 80 87,3
'175090501111024 Yanuar Rizal Ramadhan 70 78 50 60 61,66667
'175090501111025 Aprilliah 85 93 65 80 78,50833
'175090501111027 Ziqra Dika Putri 90 80 75 90 83,48333
'175090501111028 Shelma Ayu Widya Masyitha 80 94 90 85 87,76667
'175090501111031 Renica Anggun Puspacandra 80 92 95 75 84,83333
'175090501111032 Fahmy Kurniawan Putra 80 88 90 75 82,58333
'175090501111034 Ulfie Safitri 80 92 80 80 82,3
NIM Nama Q1 P1 UTS1 UAS1 NA
'175090507111002 Ismi Chai Runnisa 75 93 75 75 78,6
'175090507111004 Isfar Hakim Ramdani 78 92 65 95 83,63333
'175090507111013 Bulan Permatasari 75 94 75 95 86,76667
'175090507111018 Unzilatur Rohmah 80 94 75 0 49,26667
'175090507111024 Dwi Amri Rizqi Akbar 63 91 60 50 62,46667
