Portofolio-Pengantar-Model-Linier-C.pdf

(1)

P2RP-LP3M UB

Portofolio Perkuliahan

UNIVERSITAS BRAWIJAYA

FAKULTAS MIPA

JURUSAN STATISTIKA / PROGRAM STUDI SARJANA STATISTIKA

Mata Kuliah:

Pengantar Model Linier

Kode:

MAS61123

RMK: Semester:

Ganjil Dosen Dr. Dra. Ani Budi Astuti, M.Si

Pendahuluan

Mata kuliah Pengantar Model Linier yang biasa dikenal di kalangan mahasiswa dengan singkatan mata kuliah PML merupakan salah satu mata kuliah wajib di Jurusan Statistika FMIPA Universitas Brawijaya. Mata kuliah PML memiliki tiga mata kuliah prasyarat, yaitu:

Pengantar Analisis Regresi (MAS62122), Pengantar Rancob (MAS61212), dan Metode Statistika II (MAS62121) dengan bobot 3 sks dan mahasiswa melakukan aktifitas responsi yang dipandu oleh asisten responsi. Mata kuliah ini adalah salah satu Mata Kuliah yang banyak membahas kajian teoritis tentang pemodelan linier. Mata kuliah ini perlu strategi khusus dalam penyampaiannya agar menarik dan mudah dipahami mahasiswa. Kombinasi penyampaian materi secara teoritis dan kajian terapan tetap harus dilakukan agar mahasiswa mampu memahami dengan baik Mata Kuliah ini. Terapan-terapan pada berbagai bidang dapat dikaitkan dengan Mata Kuliah ini, seperti pemodelan linier pada bidang Kesehatan, bidang Sosial dan Ekonomi, bidang Biologi, bidang Kimia, bidang Fisika, bidang Matematika, bidang Teknik, dan bidang lainnya. Hal ini penting dipahami mahasiswa agar mampu mengkaitkan kajian teoritis sebagai kompetensi utama dari Mata Kuliah ini dengan kasus terapannya agar Mata Kuliah ini menjadi menarik dan mudah dipahami. Seringkali mahasiswa kurang tertarik pada sistem pengajaran yang sangat teoritis, namun konsep dasar teori PML harus dikuasai dengan baik oleh mahasiswa, sehingga cara mengajar kombinasi antara teori dan terapan dari mata kuliah ini harus diterapkan. Mata kuliah Statistika yang banyak dibumbui rumus-rumus matematis memerlukan cara jitu untuk memahamkan kepada mahasiswa, yaitu dengan cara memberi ilustrasi menarik pada kasus terapan yang sedang up to date baru kemudian dibawa ke ranah teori. Sistem pengajaran dengan strategi yang jitu tetap harus terus dikembangkan mengingat kondisi kemajuan terus berubah apalagi menghadapi mahasiswa-mahasiswa zaman milenia yang kemampuan IT-nya sangat baik. Keberhasilan pembelajaran kepada mahasiswa juga sangat ditunjang dengan kemampuan dasar dan kemauan belajar yang tinggi dari mahasiswa, sehingga motivasi, komitmen dan sikap mahasiswa mengikuti mata kuliah PML juga perlu terus didorong agar tercapai tujuan pembelajaran yang ingin dicapai. Selain itu, bekal mahasiswa dari mata kuliah-matakuliah pendukung PML ini juga harus baik, yaitu Pengantar Analisis Regresi, Pengantar Rancob, dan Metode Statistika II sebagai tiga mata kuliah prasyarat untuk dapat mengikuti mata kuliah PML ini.

1 Tujuan

Tujuan Umum:

(2)

P2RP-LP3M UB

Mata Kuliah ini diajarkan agar mahasiswa mampu memahami dan menjelaskan konsep- konsep dasar aljabar matriks, memahami dan menjelaskan distribusi bentuk kuadrat dan memiliki ketrampilan menangani model kuadrat, memahami dan menjelaskan prinsip kuadrat terkecil dan umum, memiliki ketrampilan menangani model non singular (model berpangkat penuh/model regresi) dan sekaligus melakukan pendugaan parameter dan pengujian hipotesis, memiliki ketrampilan menangani model singular (model berpangkat tidak penuh/model anova) dan sekaligus melakukan pendugaan parameter dan pengujian hipotesis, menjelaskan prinsip-prinsip galat bersyarat, penguraian jumlah kuadrat serta memahami penggunaannya pada rancangan kelompok tidak lengkap, data tak berimbang, memiliki ketrampilan menghitung nilai duga parameter dan melakukan pengujian hipotesis model campuran, memiliki ketrampilan menghitung nilai duga parameter dan melakukan pengujian hipotesis model linier umum keluarga distribusi eksponensial.

Mata Kuliah PML 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 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 8:

Mampu menerapkan dan menginternalisasi semangat kemandirian, kejuangan, kewirausahaan berdasarkan nilai, norma, dan etika akademik serta nilai Pancasila dalam segala aspek kehidupan

Selanjutnya, Mata Kuliah PML memiliki capaian pembelajaran Mata Kuliah (Course Learning Outcome - CLO) sebagai berikut:

 CLO 1:

Mahasiswa mampu memahami dan menjelaskan konsep-konsep dasar aljabar matriks

(3)

P2RP-LP3M UB

 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 mampu memiliki ketrampilan menangani model non singular (model berpangkat penuh/model regresi) dan sekaligus melakukan pendugaan parameter dan pengujian hipotesis

 CLO 5:

Mahasiswa mampu 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 mampu memiliki ketrampilan menghitung nilai duga parameter dan melakukan pengujian hipotesis model campuran

 CLO 8:

Mahasiswa mampu 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 Mata Kuliah Statistika Pengendalian Mutu dan ILO yang disajikan pada Tabel 1.

Tabel 1. Matriks Hubungan antara CLO dan ILO Mata Kuliah 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

(4)

P2RP-LP3M UB

2 Strategi Pembelajaran

Perkuliahan ini menyajikan materi yang kompetensinya lebih mengarah kepada teori matematis, namun cara penyajiannya tetap dilakukan dengan cara mengkombinasikan antara materi yang bersifat teori matematis (kompetensi utama) dan materi terapan pada kasus permasalahan data riil untuk memudahkan pemahaman mahasiswa. Beberapa strategi pembelajaran yang digunakan agar mahasiswa mampu menguasai konsep teori dan aplikasinya dengan baik, cara yang dilakukan sebagai berikut:

 Menyediakan materi kuliah dalam bentuk PPT dan file PDF sebelum perkuliahan berlangsung dan diberikan kepada mahasiswa melalui PJ kelas yang telah ditunjuk melalui media email/whatsapp/google classroom

 Menyapa mahasiswa dan menanyakan kabarnya, baik tentang kesehatannya, kondisi psikologisnya, motivasi belajarnya dan lain sebagainya sebagai upaya untuk membuat rileks mahasiswa dalam mengikuti kuliah serta diberikan cerita- cerita motivasi yang menarik dan menyenangkan, sehingga mahasiswa tergugah dan senang mengikuti mata kuliah ini yang cenderung bersifat materi teori matematis.

 Menyajikan materi secara detil, menyajikan rumus - rumus secara lengkap dengan penjelasan yang dapat diikuti secara mandiri, disertai ilustrasi-ilustrasi kasus riil yang update dan menarik agar mahasiswa dapat menyatukan konsep teori sebagai kompetensi utama dengan terapannya serta mudah dipahami.

 Menyajikan materi di depan kelas dengan cara elaborasi detil seluruh teori yang disajikan pada PPT dengan contoh – contoh terapan dan menurunkannya kembali langkah demi langkah di white board.

 Meminta masukan dari mahasiswa selama sesi penyajian materi mengenai perlunya dosen menjelaskan ulang atau memperlambat kecepatan di dalam menjelaskan, baik teorinya maupun terapannya.

 Memberikan latihan kasus yang serupa dengan contoh yang sudah dijelaskan dosen. Karena sifatnya latihan, maka dosen akan membantu dan menjelaskan ulang solusinya setelah mahasiswa mencoba secara individu maupun berdiskusi dengan teman lainnya.

 Secara berkala, memberikan post test (satu atau dua kasus relevan) untuk mengukur pemahaman akan materi yang sudah disajikan. Beda dengan sesi latihan, pada sesi post test ini mahasiswa benar – benar harus berusaha mengerjakan sendiri kasus yang diberikan, walaupun masih diperbolehkan untuk membuka catatan.

 Memberikan tugas untuk kasus yang memerlukan banyak waktu untuk elaborasi, 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 (dari hasil post test atau tugas yang telah diberikan) pada pertemuan berikutnya.

 Mengaktifkan peran asisten untuk memberi penjelasan dan latihan-latihan tambahan melalui modul-modul responsi kepada mahasiswa pada sesi pelaksanaan responsi.

(5)

P2RP-LP3M UB

3 Pengelolaan Perkuliahan

Mata kuliah ini adalah mata kuliah 3 sks disertai dengan aktifitas responsi. Pertemuan kuliah terjadwal satu minggu sekali (3 kali 50 menit) selama 14 minggu perkuliahan dan 8 kali pertemuan responsi yang dibimbing oleh asisten responsi (masing – masing waktu pertemuan responsi selama 60 menit). Untuk pelaksanaan UTS dilakukan secara terjadwal setelah 7 kali pertemuan kuliah, yaitu dilaksanakan pada minggu ke-8 dan minggu ke-9 dan kegiatan UAS juga dilaksanakan secara terjadwal setelah pertemuan kuliah ke 14.

Perkuliahan:

- Jadwal: Pertemuan dijadwalkan setiap hari Rabu, pukul 13.00 – 15.30 WIB.

- Pada setiap pertemuan, mengingat materi perkuliahan yang menuntut konsentrasi tinggi dari mahasiswa, dosen menyajikan materi pada dua sks pertama (100 menit). Kemudian, waktu 50 menit dari satu sks terakhir sisanya digunakan dosen untuk melatih mahasiswa, yaitu memberikan latihan-latihan kasus untuk menerapkan konsep yang sudah dijelaskan pada kasus yang berbeda serta diskusi kelas dan secara berkala (kadang-kadang) dari sekitar 50 menit terakhir itu, 30 menitnya dimanfaatkan dosen untuk mengerjakan post test.

- Setiap pertemuan kuliah mempunyai capaian pembelajaran yang spesifik sesuai materi-materi yang harus disampaikan kepada mahasiswa. Untuk mengukur ketercapaiannya, telah dirancang berbagai pemberian post test atau tugas-tugas, baik tugas secara mandiri maupun berkelompok. Hasil post test atau tugas-tugas tersebut dijadikan bahan evaluasi untuk mengulang bagian – bagian yang dirasa perlu sebagai bahan untuk pertemuan selanjutnya. Sesuai yang dirancang dosen pada RPS, untuk Mata Kuliah ini diberikan beberapa assessment dengan materi dan bobot setiap assessment terhadap nilai akhir Mata Kuliah seperti yang disajikan pada Tabel 2. Ada beberapa assessment yang bentuk penilaiannya dikerjakan secara mandiri oleh mahasiswa, seperti UTS, UAS, Quiz 1 dan Quiz 2 ataupun Post Test, sedangkan tugas-tugas ada yang dilakukan secara mandiri ataupun berkelompok.

Responsi:

- Asisten responsi yang membimbing kelas responsi SPM kelas A adalah:

Mochammad Zainal Arifin dan Iqbal Julianto

- Responsi diselenggarakan di kelas karena tidak memerlukan software statistika dalam melakukan analisis kasus-kasus yang diberikan sesuai dengan panduan modul responsi.

- Responsi dilaksanakan dengan tujuan pemantapan materi yang telah diberikan dosen di kelas melalui sesi diskusi dengan asisten responsi dan latihan pengayaan soal sesuai dengan panduan pada modul responsi.

- Materi pada setiap minggunya yang tertera pada modul responsi adalah hasil diskusi dengan dosen sesuai dengan kecepatan penyampaian materi perkuliahan setiap minggunya.

(6)

P2RP-LP3M UB

- Jadwal responsi dilaksanakan setiap minggu sebanyak satu kali dan setiap pertemuan responsi dilakukan selama 60 menit.

- Responsi diselenggarakan sebanyak 8 kali dalam satu semester dan baru dapat dimulai pada minggu ke-5 perkuliahan (kebijakan PS untuk memberi waktu dalam penjaringan asisten responsi dan akumulasi materi yang diberikan oleh dosen kepada mahasiswa) dan responsi tidak dilaksanakan selama minggu UTS (minggu ke-8 dan minggu ke-9) dengan rincian meteri setiap minggunya sebagai berikut:

1. Minggu ke-5:

Aljabar matriks, distribusi kuadrat, Uji hipotesis parameter model, selang kepercayaan

2. Minggu ke-6:

Model non singular (model berpangkat penuh/model regresi), pendugaan parameter dan pengujian hipotesis

3. Minggu ke-7:

Model singular (model berpangkat tidak penuh/model anova), pendugaan parameter dan pengujian hipotesis

4. Minggu ke-10: Ujian Tengah Responsi (UTR) 5. Minggu ke-11:

Penguraian jumlah kuadrat pada rancangan kelompok dan penguraian jumlah kuadrat pada rancangan kelompok tidak lengkap, data tak berimbang

6. Minggu ke-12:

Model campuran, pendugaan parameter dan pengujian hipotesis 7. Minggu ke-13:

Model linier umum keluarga distribusi eksponensial, pendugaan parameter dan pengujian hipotesis

8. Minggu ke-14: Ujian Akhir Responsi (UAR)

4 Isi Perkuliahan

Isi perkuliahan dari PML dapat dijabarkan sebagai berikut:

1. Konsep-Konsep dasar aljabar matriks 2. Model kuadrat dan distribusi bentuk kuadrat 3. Prinsip kuadrat terkecil dan umum

4. Model non singular (model berpangkat penuh/model regresi), pendugaan parameter dan pengujian hipotesis

5. Model singular (model berpangkat tidak penuh/model anova), pendugaan parameter dan pengujian hipotesis

6. Prinsip galat bersyarat, penguraian jumlah kuadrat, penggunaan pada rancangan kelompok tidak lengkap, data tak berimbang

7. Model campuran, pendugaan parameter dan pengujian hipotesis

8. Model linier umum keluarga distribusi eksponensial dan pengujian hipotesisnya

(7)

P2RP-LP3M UB

Kesesuaian antara materi perkuliahan yang dirancang pada kurikulum dengan prakteknya dapat dilihat secara lengkap pada Lampiran 1.

5 Peserta Kuliah

Mata kuliah ini adalah mata kuliah wajib semester V yang diikuti oleh Mahasiswa Program Studi Sarjana Statistika FMIPA Universitas Brawijaya untuk angkatan tahun 2015 dan angkatan tahun 2016. Untuk Mata Kuliah Pengantar Model Linier Kelas C diikuti oleh 30 mahasiswa, angkatan tahun 2015 sebanyak 1 orang dan angkatan tahun 2016 sebanyak 29 orang.

6 Persentase Kehadiran

Persentase kehadiran dosen di kelas adalah 100%, kehadiran mahasiswa di kelas kuliah dosen pada rentang 78,57%-100%, dan kehadiran mahasiswa di kelas responsi pada rentang 80%-100%.

7 Sistem Evaluasi

- Evaluasi per minggu melalui tugas dan secara berkala pada kegiatan post test.

Tujuan dari evaluasi ini adalah untuk menggali pemahaman mahasiswa terhadap materi kuliah yang telah diberikan oleh dosen, apakah sudah sesuai dengan tujuan perkuliahan di setiap minggu/pertemuan kuliahnya. Hasil dari post test dan tugas-tugas yang diberikan dimanfaatkan oleh dosen untuk membahas ulang materi yang dirasa kurang pemahamannya oleh mahasiswa.

- Evaluasi beberapa materi melalui Quiz untuk mengukur pemahaman materi dari 3 atau 4 pertemuan kuliah atau beberapa pertemuan sekaligus. Tipe soal Quiz menyerupai soal UTS dan UAS, sehingga mahasiswa mempunyai gambaran yang baik mengenai persiapan menghadapi UTS dan UAS. Hanya saja untuk kegiatan Quiz, mahasiswa masih diberi kesempatan membuka catatan (open resume).

- Evaluasi materi sampai dengan tengah semester melalui kegiatan UTS yang diselenggarakan secara terjadwal pada minggu ke-8 dan minggu ke-9 selama 2 minggu dan pada 2 minggu ini penyelenggaraan kuliah libur.

- Evaluasi materi setelah tengah semester sampai dengan akhir semester melalui kegiatan UAS yang diselenggarakan secara terjadwal setelah semua rangkaian kegiatan kuliah dan UTS telah berakhir.

- Evaluasi hasil responsi yang diberikan oleh asisten responsi diberikan kepada dosen pengampu Mata Kuliah dan menjadi salah satu komponen penilaian akhir dari Mata Kuliah SPM. Aspek penilaian responsi adalah keaktifan dan pemahaman materi dari tugas – tugas pengayaan yang diberikan oleh asisten responsi, yaitu: tugas-tugas, presensi, UTR dan UAR. Asisten responsi dalam menentukan tipe soal pada tugas-tugas pengayaan dan soal-soal pada UTR dan UAR dilakukan dengan berkonsultasi terlebih dahulu dengan dosen pengampu Mata Kuliah.

Pada minggu-minggu UTS dan minggu UAS seluruh kegiatan perkuliahan diliburkan, sehingga mahasiswa dapat berkonsentrasi penuh untuk menghadapi kegiatan UTS dan

(8)

P2RP-LP3M UB 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. Assessment dan Materi yang Diukur, serta Pembobotan setiap Assessment terhadap nilai akhir dan Capaian Pembelajaran Mata Kuliah (Course Learning Outcome

– CLO)

Assess

ment Materi

Bobot terhadap

Nilai Akhir

CLO 1

CLO 2

CLO 3

CLO 4

CLO 5

CLO 6

CLO 7

CLO 8 Bobot Assessment terhadap CLO (Course Learning Outcome)

T1

Konsep- Konsep dasar aljabar matriks, Model kuadrat dan distribusi bentuk kuadrat, dan Prinsip kuadrat terkecil dan umum

0,05 0,5 0,5 0 0 0 0 0 0

T2

Model non singular (model berpangkat penuh/model regresi), pendugaan parameter dan pengujian hipotesis dan Model singular (model berpangkat tidak penuh/model anova), pendugaan parameter dan pengujian hipotesis

0,05 0 0 0,5 0,5 0 0 0 0

(9)

P2RP-LP3M UB T3

Prinsip galat bersyarat, penguraian jumlah kuadrat, penggunaan pada rancangan kelompok tidak lengkap, data tak berimbang, Model campuran, pendugaan parameter dan pengujian hipotesis , dan Model linier umum keluarga distribusi eksponensial dan

pengujian hipotesisnya

0,05 0 0 0 0 0,25 0,25 0,25 0,25

Quiz 1

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

0,1 0,5 0,5 0 0 0 0 0 0

(10)

P2RP-LP3M UB

dan Model singular (model berpangkat tidak penuh/model anova), pendugaan parameter dan pengujian hipotesis

Quiz 2

0,1 0 0 0,5 0,5 0 0 0 0

Responsi

Semua Materi Kuliah PML

0,1 0,125 0,125 0,125 0,125 0,125 0,125 0,125 0,125

(11)

P2RP-LP3M UB UTS

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 dan Model singular (model berpangkat tidak penuh/model anova), pendugaan parameter dan pengujian hipotesis

0,25 0,25 0,25 0,25 0,25 0 0 0 0

(12)

P2RP-LP3M UB UAS

0,3 0 0 0 0 0,25 0,25 0,25 0,25

8 Pengamatan Kelas

Pada kegiatan perkuliahan, dosen secara aktif berinteraksi dengan mahasiswa dan melakukan beberapa cara agar mahasiswa dapat berpartisipasi aktif dan baik pada perkuliahan yang dilakukan melalui beberapa pengajuan pertanyaan yang disampaikan maupun bersedia maju ke depan untuk menyelesaikan kasus yang diberikan di white board. Sayangnya mahasiswa yang berpartisipasi aktif ini hanya sekitar 40% dari jumlah mahasiswa yang mengikuti kuliah PML di Kelas C, yaitu kurang lebih sebanyak 12 mahasiswa. Hal ini ditunjukkan secara tidak langsung oleh mahasiswa melalui pola di dalam pengaturan tempat duduk mahasiswa di dalam kelas. Sebanyak 40% mahasiswa dalam kategori aktif ini adalah mahasiswa yang duduk di barisan-barisan terdepan di kelas, sedangkan mahasiswa yang duduk dibarisan-barisan belakang teramati lebih bersifat pasif dan kurang perhatian pada saat kuliah. Beberapa pengamatan bagi mahasiswa yang bersifat pasif ini terlihat beberapa ciri sebagai berikut: berpandangan kosong di kelas, melamun, tidak ada respon ketika diminta informasi mengenai pemahaman dari materi yang diberikan dan bahkan ada beberapa mahasiswa yang mengantuk dan tertidur pada saat mengikuti kuliah. Ada juga mahasiswa yang hanya sebagai “penonton” dari penjelasan dan penurunan rumus yang dilakukan dosen di white board, tanpa membuat catatan atau mencoba sendiri, bahkan ada di antara mahasiswa yang tidak membuka catatan apapun di atas bangku kuliah/kursi kuliah. Untuk

(13)

P2RP-LP3M UB

mengantisipasi kecepatan pemahaman yang tidak seragam, maka dosen mengatur ulang waktu penyampaian sesuai dengan observasi mengenai pemahaman mahasiswa. Oleh sebab itu ada beberapa materi yang diundurkan waktu penyampaiannya pada minggu setelah jadwal yang seharusnya, tanpa mengurangi keseluruhan materi yang harus disampaikan. Sebab lain yang terjadi, karena kompetensi utama Mata Kuliah ini bersifat teoritis, sehingga mahasiswa membutuhkan waktu cukup lama untuk bias memahami dengan baik dari materi yang diberikan dosen pengampu.

9 Hasil Belajar

Hasil belajar setiap mahasiswa tercermin dari nilai di setiap assessment. Nilai – nilai tersebut dengan bobotnya masing – masing diolah menjadi nilai akhir yang nantinya sesuai dengan aturan konversi dan 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 tiga yang merepresentasikan setiap CLO dan lintasan segi tiga 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 Mata Kuliah Pengantar Model Linier Kelas C

CLO1 CLO2 CLO3 CLO4 CLO5 CLO6 CLO7 CLO8

Rata - rata 75,98 75,98 73,29 73,29 72,27 72,27 72,27 72,27 Kategori

Capaian

SATIS FAC TORY

SATISF AC TORY

SATISF AC TORY Banyaknya

mahasiswa dengan CLO>60

31 31 30 30 30 30 30 30

Persentase mahasiswa dengan CLO>60

96,88 96,88 93,75 93,75 93,75 93,75 93,75 93,75

Kategori Persentase

HIGH HIGH 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 Mahasiswa 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

(14)

P2RP-LP3M UB

0<= Skor <50 UNSATISFACTORY Persen < 50 VERY LOW

Gambar 1. Visualisasi (a) Indeks Capaian dan (b) Presentasi Mahasiswa dengan Capaian

> 60 di setiap CLO Mata Kuliah Pengantar Model Linier Kelas C

Sesuai dengan kategori capaian yang disajikan pada Tabel 4 dapat disimpulkan beberapa hal berikut ini:

- Semua CLO pada Mata Kuliah PML Kelas C secara rata – rata mencapai nilai satisfactory, yaitu rata – rata nilai di atas 72 tetapi tidak lebih dari 80.

- Persentase semua CLO belum mencapai 100% tetapi masih memiliki nilai persentase capaian sebesar antara 93,75% sampai dengan 96,88%.

- Semua CLO perlu ditingkatkan menjadi capaian 100%, khususnya CLO3 sampai dengan CLO8.

- Semua CLO Mata Kuliah PML Kelas C berada pada kategori persentase tinggi (HIGH) dalam hal banyaknya mahasiswa dengan nilai capaian di atas 60.

Selain nilai untuk capaian pembelajaran Mata Kuliah (CLO), dapat dianalisis pula nilai dari setiap ILO yang didukung oleh mata kuliah SPM. Deskripsi mengenai pencapaian ILO dari Mata Kuliah SPM 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 SPM. 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.

Tabel 5. Deskripsi Nilai dan Kategori Capaian untuk Setiap ILO yang didukung oleh Mata Kuliah Pengantar Model Linier Kelas C

ILO1 ILO

2 ILO3 ILO4 ILO5 ILO

6 ILO

7 ILO8

Rata - rata 73,99 72,71 72,71 74,22 73,99

Kategori SATISFA SATISFA SATISFA SATISFA SATISFA

(15)

P2RP-LP3M UB

Capaian CTORY CTORY CTORY CTORY CTORY

Banyaknya mahasiswa dengan ILO>60

30 31 31 30 30

Persentase mahasiswa dengan ILO>60

93,75 96,88 96,88 93,75 93,75

Kategori Persentase

HIGH HIGH HIGH HIGH HIGH

Gambar 2. Visualisasi (a) Indeks Capaian dan (b) Presentasi Mahasiswa dengan Capaian

> 60 di setiap ILO yang didukung oleh Mata Kuliah Pengantar Model Linier-C

Beberapa hal yang dapat disimpulkan dari dukungan Mata Kuliah terhadap Capaian Pembelajaran Program Studi (ILO):

- Semua ILO Mata Kuliah PML Kelas C pada kategori capaian SATISFACTORY,

dimana persentase capaian mahasiswa yang memiliki nilai di atas 60 berkisar antara 93,75% sampai dengan 96,88%.

- Capaian nilai ILO untuk Mata Kuliah PML Kelas C pada kisaran nilai rata-rata sebesar 72,71 sampai dengan 74,22.

- Masih perlu ditingkatkan pencapaian ILO untuk Mata Kuliah PML Kelas C ke kategori EXCELLENT

- Kategori persentase mahasiswa dengan nilai capaian di atas 60 masih dalam kategori HIGH.

10 Kendala

Beberapa kendala yang dihadapi dalam pembelajaran PML kelas C ini adalah kurangnya kemampuan/pemahaman mahasiswa mengenai teori-teori distribusi peluang dan pemodelan linier singular dan non singular serta kajian pendugaan parameter dan

(16)

P2RP-LP3M UB

pengujian hipotesis pada mata kuliah prasyarat sebelumnya, yaitu Pengantar Analisis Regresi, Pengantar Rancob, dan Metode Statistika II serta kurangnya pemahaman menghubungkan kajian teori dengan terapannya, di mana kedua hal tersebut adalah dasar untuk memahami materi di MK PML ini. Kompetensi teoritis yang harus dicapai pada mata kuliah PML ini menjadi salah satu penyebab bagi mahasiswa kurang tertarik pada mata kuliah ini, sehingga tantangannya adalah mencari strategi jitu untuk mengajar mata kuliah SPM ini agar mudah dipahami dan menarik untuk diikuti oleh mahasiswa. Selain itu, jadwal kuliah PML pada jam 13.00 – 15.30 juga menjadi kendala bagi dosen pengampu mata kuliah karena pada jam-jam seperti ini, mahasiswa sudah lelah dan mengantuk mengikuti kuliah, apalagi mata kuliahnya memiliki kompetensi teoritis.

11 Distribusi Nilai

Nilai akhir diperoleh dari pembobotan seluruh komponen penilaian/assessment 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 73,69 dengan kurang dan lebihnya 7 poin dari rata – rata tersebut. Nilai paling rendah dari 32 mahasiswa sebesar 55,73 dan nilai tertinggi mahasiswa sebesar 85,97.

Tabel 6. Statistika Deskriptif Nilai Akhir Mata Kuliah Pengantar Model Linier Kelas C 2019/2020

Rata rata 73,69

Median 74,31

Simpangan baku 6,98

Range 30,23

Minimum 55,73

Maximum 85,97

Setelah dikonversi menjadi nilai huruf sesuai standar konversi penilaian, sebaran nilai huruf dapat dilihat pada Gambar 3. Gambar tersebut menunjukkan bahwa terdapat lebih dari separuh mahasiswa memiliki nilai di atas C dan persentase terbesar mahasiswa ada pada nilai B (14 orang) dan diikuti nilai B⁺ (sebanyak 9 orang), nilai A (senanyak 5 orang), nilai C (sebanyak 2 orang) dan C⁺ (sebanyak 2 orang). Pada mata kuliah PML Kelas C ini, perhatian lebih harus diberikan kepada mahasiswa dengan nilai C dan C⁺ agar dapat meningkatkan kemampuannya seperti mayoritas mahasiswa lainnya yang telah mendapatkan minimal nilai B dan ke atas.

(17)

P2RP-LP3M UB

Gambar 3. Sebaran Nilai Akhir Huruf Mata Kuliah Pengantar Model Linier Kelas C 2019/2020

Rincian nilai mahasiswa secara lengkap dapat ditunjukkan pada Lampiran 2.

Hasil saran dan masukan dari Evaluasi PBM yang diberikan mahasiswa untuk Dosen sebagai berikut:

 Trimakasih ibu, cara mengajarnya sangat membuat kami laham

 Terima Kasih Atas Materi yang di berikan selama yang di berikan di kelas, untuk materi di selanjut nya mohon ada referensi berupa pengertian dan contoh dan tidak terlalu banyak rumus yang terdapat di slide

 Lebih sering latihan soal di kelas

 Semoga kedepannya menjadi lebih baik lagi

 Kalau ada yang ramai tegor aja bu. Khususnya maba

 Terima kasih bu, semoga ilmu ibu bisa berguna untuk semua

 Sudah baik

 Terimakasih Bu Ani atas pengajaran dan motivasi‐motivasi yang selalu ibu berikan kepada saya dan teman-teman saya

 Terimakasih

 Menurut saya semuanya sudah baik. Terimakasih.

 Terimakasih Bu

 Pembelajaran sudah berjalan dengan baik

 Lebih sering menjelaskan di papan

 Sudah cukup baik

 Bu Ani dalam menyampaikan materi selama ini sudah sangat baik. Terimakasih atas ilmu yang bu Ani sampaikan selama ini, semoga bisa bermanfaat bagi saya kedepannya.

 Terimakasih

 Sudah baik.

0 2 4 6 8 10 12 14 16

C C+ B B+ A

Jumlah Mahasiswa

Kategori Nilai

Sebaran Nilai Mahasiswa Mata Kuliah PML-C

(18)

P2RP-LP3M UB

 Sehat selalu bu

 Mantap

 Sudah baik

 Semoga kedepannya menjadi lebih baik lagi

 Sudah baik

12 Kesimpulan

- Dengan beberapa kendala yang telah disampaikan dan dengan kemampuan mahasiswa yang ada, nilai akhir yang diperoleh mahasiswa masih cukup baik dan masih mencerminkan bahwa strategi dan cara pembelajaran dapat diterima dengan baik oleh sebagian besar mahasiswa yang mengikuti Mata Kuliah PML Kelas C ini. Masih perlu peningkatan capaian CLO dan ILO ke kategori EXCELLENT dan masih perlu di tingkatkan capaian CLO dan ILO menjadi 100%, khususnya pada CLO3 sampai dengan CLO8.

- Secara umum hasil evaluasi PBM yang diberikan oleh mahasiswa kepada dosen sudah baik dan perlu ditingkatkan lagi menjadi sangat baiki agar seluruh mahasiswa mencapai kompetensi yang diharapkan pada mata kuliah PML ini.

13 Rekomendasi Perbaikan

 Perlu koordinasi dengan pengajar mata kuliah yang menjadi dasar pemahaman di mata kuliah ini, yaitu Pengantar Analisis Regresi, Pengantar Rancob, dan Metode Statistika II agar dosen di mata kuliah dasar (prasyarat) tersebut selalu memberikan motivasi pemanfaatan teori-teori yang telah diberikan tersebut pada mata kuliah selanjutnya, khususnya pada Mata Kuliah Pengantar Model Linier.

 Perlu lebih lagi “membumikan” bahasa teori di mata kuliah ini dengan menghubungkan pada kasus – kasus terapan yang sedang up to date, untuk mempermudah pemahaman mahasiswa dan kuliah menjadi lebih menarik lagi.

 Perlu peningkatan capaian CLO dan ILO menjadi 100%, khususnya pada CLO3 sampai dengan CLO8

 Perlu meningkatkan capaian semua CLO dan semua ILO menjadi kategori EXCELLENT sehingga capaian pembelajaran EXCELLENT dapat menyeluruh kepada semua mahasiswa yang mengikuti kuliah PML Kelas C.

 Jadwal perkuliahan untuk mata kuliah PML ini sebaiknya di plot pada jam kuliah pagi hari.

(19)

P2RP-LP3M UB

(20)

P2RP-LP3M UB

Lampiran 1. Kesesuaian Rencana Materi Kuliah dengan Praktek untuk Mata Kuliah PML Kelas C

Min ggu ke

Rencana

Pelaksanaan pada Minggu ke

1 2 3 4 5 6 7 8 & 9 10 11 12 13 14 15 16 17

1 Kontrak kuliah Kontak kuliah, review model regresi,

model ANOV A, penduga

an paramet

er dan pengujia

n hipotesi

s, Definisi

model linier dan aljabar matriks dan Tipe data dan

sumber data untuk analisis

model linier

Mahasiswa mampu memahami dan menjelaskan konsep-konsep dasar aljabar matriks

Definisi model linier dan aljabar matriks dan Tipe data dan sumber data untuk analisis model linier

2 Distribusi

bentuk kuadrat Konsep

fungsi

(21)

P2RP-LP3M UB

Min ggu ke

Rencana

1 2 3 4 5 6 7 8 & 9 10 11 12 13 14 15 16 17

dan memiliki keterampilan menangani model kuadrat

model kuadrat, Penerapan

distribusi kuadrat dan

Memiliki ketrampilan

menangani model kuadrat Konsep fungsi

model kuadrat, Penerapan distribusi kuadrat dan Memiliki ketrampilan menangani model kuadrat

3 Prinsip kuadrat terkecil dan umum

Prinsip kuadrat terkecil dan umum,

Uji hipotesi

s paramet

er model,

selang keperca yaan, contoh analisis

dan praktik langsun

g menggu

Uji hipotesis parameter model, selang kepercayaan, contoh analisis dan praktik langsung menggunakan Excel dan R, dan penerapan kuadrat terkecil pada data

(22)

P2RP-LP3M UB

Min ggu ke

Rencana

1 2 3 4 5 6 7 8 & 9 10 11 12 13 14 15 16 17

nakan Excel dan R, dan penerap

an kuadrat terkecil pada data dan Tugas 1

4 Quiz 1

Materi Pertemuan

ke-1 sampai dengan Pertemuan

ke-3

Materi Pertemuan ke-1 sampai dengan Pertemuan ke-3

5 Model non singular (model berpangkat penuh/model regresi), pendugaan parameter dan pengujian hipotesis

Model non singular (model berpangkat penuh/model regresi), pendugaan parameter dan pengujian hipotesis

6 Model singular (model berpangkat tidak

Model singular (model berpangkat

(23)

P2RP-LP3M UB

Min ggu ke

Rencana

1 2 3 4 5 6 7 8 & 9 10 11 12 13 14 15 16 17

penuh/model anova), pendugaan parameter dan pengujian hipotesis

tidak penuh/mod el anova), pendugaan parameter dan pengujian hipotesis 7 Prinsip galat

bersyarat, penguraian jumlah kuadrat pada rancangan kelompok dan Penguraian jumlah kuadrat, Penguraian jumlah kuadrat pada rancangan kelompok tidak lengkap, data tak berimbang dan Tugas 2

Prinsip galat bersyar at, pengura ian jumlah kuadrat pada rancang an kelomp ok dan Pengur aian jumlah kuadrat, Pengur aian jumlah kuadrat pada rancang an kelomp ok tidak

(24)

P2RP-LP3M UB

Min ggu ke

Rencana

1 2 3 4 5 6 7 8 & 9 10 11 12 13 14 15 16 17

lengkap , data tak berimb ang dan Tugas 2 8 &

9

UTS

10 Rancangan kelompok tidak lengkap dan data tak berimbang, Contoh analisis dan praktik langsung menggunakan Excel dan SPSS

Ranca ngan kelom pok tidak lengka p dan data tak berim bang, Conto h analisi s dan prakti k langsu ng meng gunak an Excel dan SPSS

(25)

P2RP-LP3M UB

Min ggu ke

Rencana

1 2 3 4 5 6 7 8 & 9 10 11 12 13 14 15 16 17

11 Model campuran, pendugaan parameter dan pengujian hipotesis, Contoh analisis dan praktik langsung menggunakan Excel dan SPSS

Model campura n, penduga an paramet er dan pengujia n hipotesi s, Contoh analisis dan praktik langsun g menggu nakan Excel dan SPSS

12 Penerapan model campuran, Pendugaan parameter dan pengujian hipotesis model campuran, Contoh analisis dan praktik langsung menggunakan

Penera pan model campu ran, Pendu gaan param eter dan penguj ian

(26)

P2RP-LP3M UB

Min ggu ke

Rencana

1 2 3 4 5 6 7 8 & 9 10 11 12 13 14 15 16 17

Excel dan SPSS hipote

sis model campu ran, Conto h analisi s dan prakti k langsu ng mengg unaka n Excel dan SPSS 13 Quiz 2:

Materi Pertemuan ke- 10 sampai dengan Pertemuan ke-

12

Quiz 2:

Materi Perte muan ke-10 sampa i denga n Perte muan ke-12

(27)

P2RP-LP3M UB

Min ggu ke

Rencana

1 2 3 4 5 6 7 8 & 9 10 11 12 13 14 15 16 17

14 Pembentukan Model linier umum keluarga distribusi eksponensial, Pendugaan parameter dan pengujian hipotesis model linier umum keluarga distribusi eksponensial, Contoh analisis dan praktik langsung menggunakan

Excel dan SPSS

Pembe ntukan Model linier umum keluar ga distrib usi ekspo nensia l, Pendu gaan param eter dan penguj ian hipote sis model linier umum keluar ga distrib usi ekspo nensia l, Conto h analisi

(28)

P2RP-LP3M UB

Min ggu ke

Rencana

1 2 3 4 5 6 7 8 & 9 10 11 12 13 14 15 16 17

s dan prakti k langsu ng mengg unaka n Excel dan SPSS 15 Penerapan

analisis pada model linier umum eksponensial, Pendugaan parameter dan pengujian hipotesis model linier umum keluarga distribusi eksponensial, Contoh analisis dan praktik langsung menggunakan Excel dan SPSS

Penera pan analisi s pada model linier umum ekspo nensia l, Pendu gaan param eter dan penguj ian hipote sis model linier umum keluar

(29)

P2RP-LP3M UB

Min ggu ke

Rencana

1 2 3 4 5 6 7 8 & 9 10 11 12 13 14 15 16 17

ga distrib usi ekspo nensia l, Conto h analisi s dan prakti k langsu ng mengg unaka n Excel dan SPSS 16 Menerapkan

analisis pada kasus - kasus riil, mulai dari konsep dasar aljabar matriks, metode kuadrat dan

distribusinya, prinsip kuadrat terkecil dan umum, pendugaan parameter

Men erap kan anali sis pada kasu

s - kasu s riil, mul

ai dari

(30)

P2RP-LP3M UB

Min ggu ke

Rencana

1 2 3 4 5 6 7 8 & 9 10 11 12 13 14 15 16 17

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