Portofolio Perkuliahan
UNIVERSITAS BRAWIJAYA
FAKULTAS MIPA
JURUSAN STATISTIKA / PROGRAM STUDI SARJANA STATISTIKA
Mata Kuliah:
Komputasi Statistika
Kode:
MAS61132
RMK:
Teori dan Komputasi
Semester:
Ganjil Dosen Dr. Adji Achmad R. S.Si., M.Sc.
Pendahuluan
Mata kuliah Komputasi Statistika adalah mata kuliah yang sudah diampu oleh dosen pengajar secara profesional. Selama mengajar mata kuliah ini diberikan dua metode yakni secara teoritis dan praktek (baik Software R atau Microsoft Excel). Sehingga dosen dapat menyampaikan materi dengan efektif kepada mahasiswa. Dalam mengevaluasi hasil akhir pemahaman dalam penerapan tugas yang diberikan kepada mahasiswa, maka akan kembali kepada kemampuan dasar mahasiswa dan pemahaman setiap individu terhadap mata kuliah – mata kuliah pendukung. Namun hal tersebut menjadi tantangan bagi dosen pengajar dengan tetap mempelajari karakter tiap individu mahasiswa yang menjadi kendala di dalam pemahaman mereka, dan akan mengubah bentuk strategi pengajaran apabila diperlukan.
1 Tujuan
Tujuan Umum:
Mata kuliah ini diajarkan supaya mahasiswa mampu menjelaskan konsep-konsep dasar komputasi dalam bidang statistika dan mampu menentukan model atau algoritma yang sesuai pada data lebih mendalam sebagai dasar untuk mengembangkan statistika terapan.
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 2: Mampu menyusun dan atau memilih rancangan pengumpulan/
pembangkitan data secara efisien dan menerapkan dalam bentuk survei, percobaan, atau simulasi.
- 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.
Sedangkan capaian pembelajaran dari Mata Kuliah (Course Learning Outcome - CLO) Komputasi Statistika ini adalah:
- CLO 1: Mahasiswa mempunyai pengetahuan dan keterampilan struktur dan algoritma dari paket program statistika (LO4, LO5)
- CLO 2: Mahasiswa mampu mengolah dan menganalisis data menggunakan paket program yang sudah ada.
- CLO 3: Mahasiswa mampu mengembangkan paket program yang belum ada dengan bantuan makro komputer (sintax)
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 Komputasi Statistika dan ILO yang disajikan pada Tabel 1.
Tabel 1. Matriks Hubungan antara CLO dan ILO MK Komputasi Statistika
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
CLO1 0 0 0 0.5 0.5 0 0 0
CLO2 0.25 0.25 0 0.25 0.25 0 0 0
CLO3 0.25 0 0 0.25 0.25 0 0 0.25
2 Strategi Pembelajaran
Perkuliahan ini menyajikan materi yang bersifat teori dan konsep penerapan komputasi pada bidang statistika dengan menggunakan Software R atau Microsoft Excel. Untuk itu digunakan strategi berikut ini:
- Menyediakan akses materi sebelum perkuliahan (dalam file pdf/ppt) yang dibagikan melalui ketua kelas. Kemudian membentuk kelompok-kelompok belajar untuk mengumpulkan tugas dan berdiskusi materi yang telah dipelajari.
- Menyajikan materi secara rinci, menyajikan beberapa algoritma komputasi dengan penjelasan yang dapat diikuti secara mandiri, disertai ilustrasi grafik jika perlu.
- Menyajikan materi di depan kelas dengan cara elaborasi detil seluruh teori yang disajikan pada power point, dengan contoh – contoh terapan dan menurunkan beberapa konsep algoritma komputasi.
- Meminta tanggapan dari mahasiswa selama sesi penyajian materi mengenai perlunya dosen menjelaskan ulang atau memperlambat kecepatan di dalam menjelaskan apabila terdapat materi yang belum dipahami.
- Memberikan latihan kasus untuk dianalisis berdasarkan dengan contoh yang sudah dijelaskan dosen. Dengan cara menyampaikan langkah-langkah yang harus dilakukan untuk menganalisis data dengan menerapkan konsep algoritma.
- Memberikan kuis trivia sesuai dengan materi yang telah disampaikan pada hari itu dan harus dijawab oleh mahasiswa secara cepat dan tepat. Kemudian akan diberikan poin (bintang) bagi mahasiswa yang menjawab dengan benar. Hal ini
digunakan untuk melatih kepahaman mahasiswa terhadap materi yang disampaikan dan poin tersebut berguna untuk membantu nilai mahasiswa.
- Memberikan tugas untuk mencari data/kasus permasalahan yang dapat diolah dengan algoritma komputasi statistika, sehingga memerlukan banyak waktu untuk elaborasi, maka harus dikerjakan di rumah. Tugas ini dikerjakan baik secara individu maupun kelompok di rumah, dengan masih memungkinkan untuk mengakses materi/catatan namun dilarang plagiasasi milik teman dan kelompok lain.
- Menjelaskan ulang bagian-bagian yang dirasa kurang dipahami (dari hasil pengerjaan tugas yang diberikan) pada pertemuan berikutnya.
- Mengaktifkan peran asisten praktikum untuk memberi penjelasan materi yang disampaikan di kelas dan latihan menerapkan algoritma pada komputasi analisis data tambahan kepada mahasiswa pada sesi praktikum.
3 Pengelolaan Perkuliahan
Mata kuliah ini adalah mata kuliah 3 sks dengan praktikum. Pertemuan terjadwal satu minggu sekali (3 kali 50 menit) selama 14 minggu, dan 8 kali praktikum oleh asisten praktikum (masing – masing 50 menit). Untuk UTS dilaksanakan terjadwal setelah 7 kali pertemuan, sedangkan UAS juga dilaksanakan terjadwal setelah pertemuan ke 14.
Perkuliahan:
a. Jadwal: Pertemuan dijadwalkan setiap hari Kamis, jam 13.00 – 15.30 WIB. Pada setiap pertemuan, mengingat materi perkuliahan yang menuntut konsentrasi tinggi dari mahasiswa, dosen menyajikan materi pada dua sks pertama. 20 sampai 30 menit dari satu sks awal digunakan mahasiswa untuk berlatih dan berdiskusi secara kelompok, menerapkan konsep algoritma komputasi statistika yang sudah dijelaskan pada kasus yang diberikan. Sedangkan 20 menit terakhir dimanfaatkan untuk melakukan kuis trivia sesuai dengan materi yang disampaikan hari itu dengan jawaban yang cepat dan tepat.
b. Setiap pertemuan mempunyai capaian pembelajaran yang spesifik sesuai materi yang disampaikan. Untuk mengukur ketercapaiannya, telah dirancang pemberian kuis trivia dan tugas yang dikerjakan baik secara individu maupun kelompok.
Hasil kuis trivia atau tugas tersebut dijadikan bahan evaluasi, untuk mengulang bagian – bagian yang dirasa perlu dijelaskan kembali pada pertemuan selanjutnya. Sesuai yang dirancang pada RPS, mahasiswa mengerjakan beberapa hal berikut ini sebagai bentuk penilaian:
- Tugas 1 untuk memperdalam wawasan mengenai penerapan konsep analisis regresi linier berganda pada OLS dan WLS dalam studi kasus dengan menggunakan cara manual Microsoft Excel dan cara komputasi Software R.
- Kuis 1 untuk menguji kemampuan mahasiswa mengenai komputasi dasar pada bidang statistika dengan menyusun algoritma coding dalam studi kasus yang diberikan.
- Tugas 2 untuk memperdalam wawasan dan kemampuan mahasiswa mengenai penerapan konsep konsistensi resampling bootstrap pada model analisis jalur
dengan menggunakan algoritma coding menggunakan Software R dan Microsoft Excel.
Semua bentuk penilaian di atas harus dikerjakan baik secara individu maupun kelompok oleh mahasiswa.
Praktikum
a. Asisten yang memegang kelas praktikum adalah: Ahmad Arul A, Zulfikar Z.
Mochtar, Okasha Irfan, Indah S. Fardani.
b. Praktikum diselenggarakan pada dua laboratorium komputer dengan jadwal yang berbeda.
c. Diselenggarakan dengan tujuan pemantapan materi, melalui sesi diskusi dan praktikum pengoperasian program yang mendukung materi mata kuliah Komputasi Statistika dengan asisten praktikum dan latihan coding algoritma.
d. Materi praktikum yang disampaikan setiap minggunya adalah hasil diskusi dengan dosen, sesuai dengan kecepatan penyampaian materi perkuliahan setiap pertemuan di kelas.
e. Jadwal: praktikum dilaksanakan setiap hari Kamis, jam 16.00 – 17.00.
f. Praktikum diselenggarakan 8 kali, dan baru dapat dimulai pada minggu ke 5 (kebijakan PS untuk memberi waktu dalam penjaringan asisten praktikum dan akumulasi materi dari dosen) dan tidak dilaksanakan selama minggu UTS (8 dan 9) dengan rincian meteri setiap minggu sebagai berikut:
1. Minggu ke-5: Praktikum algoritma coding Statistika Dasar
2. Minggu ke-6: Praktikum algoritma coding Analisis Regresi Berganda OLS dan WLS
3. Minggu ke-7: Pemberian Tugas Laporan Praktikum 1 dan UTP: Menjawab package dan algoritma coding yang digunakan pada Statistika Dasar dengan mengisi teka-teki silang.
4. Minggu ke-10: Membahas jawaban pada Tugas Laporan Praktikum 1 dan UTP 5. Minggu ke-11: Praktikum algoritma coding pada ANOVA secara manual
Software R
6. Minggu ke-12: Praktikum algoritma coding pada ANOVA secara package Software R
7. Minggu ke-13: Praktikum algoritma coding resampling bootstrap secara package
8. Minggu ke-14: Pemberian Tugas Praktikum 2 dan UAP 4 Isi Perkuliahan
- Penjelasan prinsip dasar Makro (syntax) dalam minitab dan R: Struktur makro minitab dan R, Command input data dan type data, serta operasi aritmatika vektor dan matriks
- Penjelasan prinsip dasar membuat makro (syntax) untuk sebaran diskrit dan kontinyu
- Penjelasan prinsip dasar membuat makro (syntax) uji hipotesis dan ANOVA - Penjelasan prinsip dasar membuat makro (syntax) analisis regresi dan time series
- Penjelasan prinsip dasar membuat makro (syntax) uji signifikansi parameter dan uji hipotesis
- Penjelasan prinsip dasar mMembuat makro (syntax) uji kesesuaian model.
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 Komputasi Statistika kelas B diikuti oleh 45 mahasiswa, dengan komposisi seluruhnya adalah 45 mahasiswa angkatan 2017.
6 Persentase Kehadiran
Kehadiran dosen yakni sebesar 100% dan kehadiran mahasiswa yakni sebesar 100%.
7 Sistem Evaluasi
- Evaluasi per minggu melalui tugas dan kuis trivia yang diberikan pada tiap pertemuan. Dalam pengerjaan tugas dilakukan secara individu maupun kelompok dan untuk kuis trivia dapat dijawab secara individu berdasarkan ketanggapan dan kemampuan menguasai materi oleh tiap mahasiswa. Tujuan dari evaluasi ini adalah untuk menggali pemahaman mahasiswa apakah sudah sesuai dengan tujuan perkuliahan di setiap minggu/pertemuan. Hasil dari kuis trivia dan tugas dimanfaatkan dosen untuk membahas ulang materi yang dirasa kurang pemahamannya.
- Evaluasi beberapa materi melalui Kuis yang mengukur kemampuan pemahaman dari 3 atau 4 pertemuan yang diberikan sebelumnya. Tipe soal tersebut menyerupai soal UTS/UAS baik dalam bentuk pemahaman konsep maupun soal tentang perhitungan analisis data multivariat, sehingga mahasiwa mempunyai bayangan atau gambaran mengenai persiapan menghadapi UTS/UAS.
- Evaluasi materi sampai dengan tengah semester melalui UTS, yang diselenggarakan secara terjadwal oleh sistem akademik.
- Evaluasi materi setelah tengah semester sampai dengan akhir semester melalui UAS, UAS akan diselenggarakan secara terjadwal oleh sistem akademik.
- Evaluasi hasil praktikum, yang diberikan oleh asisten praktikum. Aspek penilaian adalah keaktifan dan pemahaman materi dari tugas – tugas praktikum yang diberikan asisten praktikum. Asisten praktikum menentukan tipe soal pada tugas praktikum setelah berkonsultasi terlebih dahulu dengan dosen.
Pada minggu UTS dan UAS seluruh kegiatan perkuliahan diliburkan selama 2 minggu, sehingga mahasiswa konsentrasi untuk menghadapi UTS/UAS.
Pemberian soal untuk seluruh tipe evaluasi dibuat standar/sama untuk kelas pararel, yang merupakan hasil diskusi dari tim pengajar. Materi yang dievaluasi untuk setiap asessment dan bobotnya dapat dilihat pada Tabel 2.
Tabel 2 Asesmen dan materi yang diukur, serta pembobotan setiap assessment terhadap nilai akhir dan Capaian Pembelajaran Mata Kuliah (Course Learning
Outcome – CLO)
Asesmen
Bobot terhadap Nilai Akhir
CLO 1 CLO 2 CLO 3
Bobot Asesment terhadap CLO (Course Learning Outcome)
T1 0.05 0.5 0.5 0
T2 0.05 0 0.5 0.5
Q1 0.15 0.5 0.5 0
Q2 0.15 0 0.5 0.5
UTS 0.2 0.3 0.5 0.2
UAS 0.2 0.2 0.3 0.5
Praktikum 0.2 0.3 0.3 0.4
8 Pengamatan Kelas
Selama perkuliahan mata kuliah Komputasi Statistika 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 bersedia maju ke depan untuk menyelesaikan soal/kasus di white board. 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. Lima puluh persen mahasiswa yang termasuk kategori aktif ini adalah mahasiswa yang duduk di 2 barisan terdepan, sedangkan mahasiswa yang duduk di 3 baris belakangnya teramati lebih bersifat pasif namun hal ini tidak sepenuhnya valid.
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 menonton penjelasan dan penurunan rumus yang dilakukan dosen di white board tanpa mengamati dan membuat catatan atau menjabarkannya sendiri
- Di antara mereka bahkan ada yang tidak membuka catatan apapun di atas bangku kuliah.
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 secara individu atau kelompok sehingga mendorong mahasiswa tersebut untuk belajar dan memahami secara mandiri dan sesama mahasiswa lainnya.
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 tiga 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 bahwa CLO1 sampai CLO3 secara rata-rata mencapai nilai excellent, dengan rata-rata diatas 80. Sehingga secara rata-rata pada semua CLO ini 100%
mahasiswa memperoleh nilai capaian di atas 60.
- Semua CLO berada pada kategori persentase tinggi (HIGH) dalam hal banyaknya mahasiswa dengan nilai capaian di atas 60.
Tabel 3. Deskripsi Nilai dan Kategori Capaian untuk Setiap CLO MK Komputasi Statistika
CLO1 CLO2 CLO3
Rata - rata 83.56 80.92 83.73
Kategori Capaian EXCELLENT EXCELLENT EXCELLENT Banyaknya mahasiswa
dengan CLO>60
45 44 45
Persentase mahasiswa dnegan CLO>60
100 97.78 100
Kategori Persentase 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
(a) (b)
Gambar 1. Visualisasi (a) indeks capaian dan (b) presentasi mahasiswa dengan capaian
>60 di setiap CLO MK Komputasi Statistika
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):
Semua ILO berada pada kategori capaian Excellent, yaitu:
- 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 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.
0 50 100CLO1
CLO2 CLO3
Weighted-avg-based CLO's AI
Achievement Index of MAS61132
9697 9899 100CLO1
CLO2 CLO3
Student num-based CLO's AI
Achievement Index of MAS61132
Terdapat 99% mahasiswa yang memiliki nilai capaian di atas 60 untuk semua ILO ini.
Hanya ada 1 mahasiswa yang tidak mengikuti perkuliahan dari awal dikarenakan cuti/alasan lainnya.
Tabel 5. Deskripsi Nilai dan Kategori Capaian untuk Setiap ILO yang didukung oleh MK Komputasi Statistika
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
Rata - rata terboboti
82.13 80.92 82.72 82.72 83.73
Kategori Capaian
EXCELL ENT
EXCELL ENT
EXCELL ENT
EXCELL ENT
EXCELL ENT Banyaknya
mahasiswa dengan ILO>60
45 44 45 45 45
Persentase mahasiswa dnegan ILO>60
100 97.78 100 100 100
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 Komputasi Statistika 10 Kendala
- Kemampuan mahasiswa dalam memahami bahasa pemrograman pada Software R sehingga tidak semua mahasiswa dapat mengaplikasikan coding untuk melakukan penyusunan algoritma (syntax) sesuai dengan mata kuliah Komputasi Statistika. Sehingga banyak mahasiswa yang mengerjakan manual dengan Ms.Excel atau bahkan hanya menyalin kodingan mahasiswa lain.
- Terdapat beberapa mahasiswa yang melakukan pelanggaran ketika mengerjakan tugas maupun kuis yang diberikan oleh dosen, sehingga mengurangi nilai sikap dalam etika perkuliahan oleh mahasiswa yang melakukan tindakan tersebut.
0 50 100ILO1
ILO2
ILO3
ILO4 ILO5
ILO6 ILO7
ILO8
Weighted-avg-based ILO's AI
Achievement Index of MAS61132
96 9798 99 100ILO1
ILO2
ILO3
ILO4 ILO5
ILO6 ILO7
ILO8
Student num-based ILO's AI
Achievement Index of MAS61132
11 Distribusi Nilai
Nilai akhir diperoleh dari pembobotan seluruh komponen penilaian/asessment seperti yang sudah disajikan pada kolom dua di Tabel 2. Sedangkan statistika deskriptif dari nilai akhir dapat dilihat di Tabel 6. Rata – rata pemahaman mahasiswa adalah 83% untuk materi secara keseluruhan, dengan kurang dan lebihnya 5% dari rata – rata tersebut.
Namun ada pula mahasiswa yang berhasil optimal memahami materi dengan nilai 90.
Tabel 2. Statistika Deskriptif Nilai Akhir Komputasi Statistika 2018/2019 Rata rata 82,50622222
Median 81,64
Simpangan baku 4,935468587
Range 26,73
Minimum 63,69
Maksimum 90,42
Setelah dikonversi menjadi nilai huruf sesuai standar konversi penilaian, sebaran nilai huruf dapat dilihat pada Gambar 3. Gambar tersebut menunjukkan bahwa terdapat persentase terbesar yaitu pada nilai A sebanyak 76%. Dan terdapat nilai B+ yakni sebesar 22%. Terdapat 1 mahasiswa yang mendapat nilai C+. Tidak terdapat mahasiswa yang mendapat nilai C, D+, D dan E.
Gambar 3. Sebaran nilai akhir huruf MK Komputasi Statistika 2019/2020 12 Kesimpulan
- Dengan segala kendala dan kemampuan dasar mahasiswa yang telah diketahui pada nilai akhir yang diperoleh oleh mahasiswa sehingga dapat disimpulkan bahwa penyampaian materi pada perkuliahan oleh dosen masih mencerminkan strategi dan cara pembelajaran yang dapat diterima dengan baik oleh sebagian besar mahasiswa.
- Sedikit terdapat keterlambatan rencana jadwal penyampaian materi dengan realisasinya, yang awalnya bertujuan untuk menyesuaikan kecepatan dengan kemampuan mahasiswa, malah mengorbankan waktu pembahasan di materi
0%
10%
20%
30%
40%
50%
60%
70%
80%
A B+ B C+ C D+ D E
Persen Nilai Huruf
tertentu, sehingga hasil pembelajaran di materi tersebut menjadi kurang optimal.
- Terdapat beberapa mahasiswa yang masih mengalami kesulitan apabila terdapat tugas yang harus dikerjakan dengan menggunakan coding dengan menggunakan Software R sehingga dosen akan memberikan kemudahan dengan menggunakan package yang tersedia atau manual dengan menggunakan Ms.Excel.
-
13 Rekomendasi Perbaikan
- Perlu koordinasi dengan pengajar mata kuliah yang menjadi dasar pemahaman di mata kuliah ini. Disarankan agar dosen di mata kuliah dasar selalu memberikan motivasi pemanfaatan teori tersebut pada mata kuliah lain-lainnya.
- 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 pelatihan lebih mengenai coding dengan menggunakan Software R agar dapat mengasah keterampilan komputasi pada mata kuliah Komputasi Statistika agar dapat menyusun algoritma (syntax) dengan tepat dan cepat.
Lampiran 1
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 dan 12 13 14 dan 15 16 17
1
Pendahuluan Kontrak kuliah, Pengenalan dan Penjelasan
Software R dan Minitab Menjelaskan definisi nama
object, expression, assignment, aritmetic, dan
session &
workspace di dalam R 2 Struktur
pemrograman dalam Minitab dan R
Penjelasan struktur pemrogra
man dalam Minitab
dan R yang berupa instruksi perulanga n (loop)
dan instruksi
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 dan 12 13 14 dan 15 16 17
pemilihan Pembuata
n fungsi sendiri
pada program R 3 Perintah data
dan tipe data, operasi aritmatika vektor dan matriks dengan paket program R
Memasuk kan perintah data dan tipe data
Mengoper asikan aritmatika vektor dan matriks dengan mengguna
kan paket program
R
4 KUIS 1 Semua
bahan yang telah diajark an pada
pertem uan ke-
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 dan 12 13 14 dan 15 16 17
1 sampai dengan pertem uan ke- 3 5 Pengembangan
paket program untuk sebaran diskrit dan kontinu
Pengem bangan paket program
yang belum
ada dengan bantuan
makro untuk sebaran
diskrit Pengem bangan paket program
yang belum
ada dengan bantuan
makro untuk sebaran kontinu
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 dan 12 13 14 dan 15 16 17
6 Uji hipotesis dengan menggunakan paket program dan
pengembangan nya
Pembuat an makro untuk uji hipotesis dengan menggun akan paket program
yang sudah ada di Minitab
dan R Pengemb
angan paket program
yang belum
ada dengan bantuan makro
untuk beberapa
uji hipotesis
di Minitab
dan R
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 dan 12 13 14 dan 15 16 17
7 Uji ANOVA dengan menggunakan paket program dan
pengembagann ya
Pembuat an makro
untuk uji ANOV
A dengan menggu nakan paket program
yang sudah ada di Minitab
dan R Pengem
bangan paket program
yang belum
ada dengan bantuan
makro untuk ANOV A di Minitab
dan R
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 dan 12 13 14 dan 15 16 17
8 dan 9
UT S 10 Pengembangan
paket program untuk analisis regresi
Pengemba ngan paket program
yang belum ada
dengan bantuan makro
untuk analisis regresi di
Minitab dan R 11
dan 12
Pengembanga n paket program untuk analisis deret waktu
Pengembanga n paket program yang
belum ada dengan bantuan makro untuk analisis deret waktu di Minitab dan
R
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 dan 12 13 14 dan 15 16 17
Konsep dan teorema dual
13 KUIS 2 Semua
bahan yang telah diajarka
n pada pertemu an ke-10
sampai dengan pertemu an ke-12 14
dan 15
Pengembangan paket program untuk uji signifikansi parameter dan uji hipotesis waktu
Pengembangan paket program yang belum ada dengan bantuan makro untuk uji signifikansi parameter di Minitab dan R Pengembangkan
paket program yang belum ada dengan bantuan makro untuk uji hipotesis waktu di Minitab dan
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 dan 12 13 14 dan 15 16 17
R
16 Pengembangan paket untuk uji kesesuaian model di Minitab dan R.
Pengem bangan paket program
yang belum
ada dengan bantuan makro
untuk uji kesesuai
an model
di Minitab
dan R.
17 UAS
U A S
Kehadiran (%) 90,56 100 100 97,08 100 100 98,77 100 98,77 100 98,77 100
Lampiran 2. Daftar Rincian Nilai
No Nama NIM KUIS 1 Kuis2 T1 T2 P UTS UAS NA NH
1 Riska Mei Anggreani 175090500111002 90 90 85,33333 90 92,55 81 90 88,48 A 2 Rismania Hartanti Putri Y D 175090500111003 90 68 86,33333 90 97,7 74 90 84,86 A 3 Defit Fitri Yuliana 175090500111004 90 90 85,66667 90 86,5 80 90 87,08 A 4 Zaida Xaviera 175090500111009 92 75 85,33333 85 92,55 93 85,375 87,75 A 5 Miftakhul Fajar Khoiriyah 175090500111011 92 70 86 90 91,4 77 86,75 84,13 A
6 Chandra Malik Syamasy 175090500111015 90 90 87 90 94,2 71 90 86,89 A
7 Ni Made Ayu Astari Badung 175090500111030 87 90 86 90 96,35 89 90 90,42 A 8 Erika Triswanda 175090500111031 85 65 85,66667 86,66667 92,9 66 86,375 80,17 A 9 Fabiola Puspa Pratiwi 175090500111035 70 65 86,33333 90 91,4 76 90 80,55 A
10 Zidane Ariyandy 175090500111039 69 90 85,33333 90 90,65 62 90 81,15 A
11 Mita Sari Indriyanti 175090500111040 80 52 86,33333 90 93,55 61 86,125 76,75 B+
12 Djihan Wahyuni 175090501111010 90 90 85,66667 90 95,55 80 90 88,89 A
13 Irsyad Maulana Khaironi 175090501111011 90 90 85,33333 90 94,9 71 90 86,95 A
14 Agis Wahyu Lestari 175090501111018 92 85 86 90 95,65 84 86,75 88,63 A
15 Vaulita Qatrunnada 175090501111019 76 60 87 83,33333 95,5 70 85,75 79,17 B+
16 Kushartanti Alifah 175090501111020 90 90 86 90 90,7 87 90 89,34 A
17 Miftachul Ilmi 175090501111021 92 85 85,66667 86,66667 90,575 84 86,375 87,36 A
18 Harsony 175090501111022 88 57 86,33333 90 88,175 54 90 77,00 B+
19 Aprilliah 175090501111025 85 90 85,33333 90 93,75 71 90 85,97 A
20 Eva Fadilah Ramadhani 175090501111026 93 70 86,33333 90 94,4 87 86,125 86,77 A 21 Shelma Ayu Widya Masyitha 175090501111028 82 90 85,66667 90 93 77 90 86,58 A 22 Ratih Kartika Rahmatulnissa 175090501111029 75 60 85,33333 85 94,65 80 85,375 80,77 A 23 Nidia Artha Wahyudi Tamin 175090501111030 86 65 86 90 95,1 62 90 80,87 A 24 Renica Anggun Puspacandra 175090501111031 79 68 87 85 95,7 81 85,375 83,07 A 25 Fahmy Kurniawan Putra 175090501111032 76 60 86 90 95,1 75 86,75 80,57 A 26 Ulfie Safitri 175090501111034 80 60 85,66667 86,66667 96,5 70 86,375 80,19 A 27 Theodorine Sulistyaning R 175090507111001 78 60 86,33333 83,33333 94,7 68 85,75 78,87 B+
28 Isfar Hakim Ramdani 175090507111004 77 90 85,33333 90 92,65 67 90 83,75 A 29 Putri Apriliyanti 175090507111006 90 65 86,33333 90 95,1 77 86,125 83,71 A 30 Laksmi Adlina Yudihartin 175090507111010 68 90 85,66667 90 95,4 72 90 83,96 A 31 Natasha Debora Tho 175090507111011 90 63 85,33333 85 94,7 64 85,375 80,28 A
32 Bulan Permatasari 175090507111013 88 60 86 90 94,2 67 86,75 80,59 A
33 Unzilatur Rohmah 175090507111018 72 60 87 90 95,9 68 86,125 0,00 C+
34 Yunia Hasnataeni 175090507111020 70 90 86 90 93,65 66 90 82,73 A
35 Adinda Reyna Maulidia 175090507111021 92 80 85,66667 86,66667 95,8 87 86,375 88,25 A 36 Divia Avonita 175090507111026 64 57 86,33333 83,33333 95,3 68 85,75 76,44 B+
37 Muhammad Daafa` Fenori 175090507111028 64 90 85,33333 90 92,05 62 90 80,68 A 38 Moses Galuh Wilianto 175090507111029 61 60 86,33333 90 91,05 79 86,125 78,20 B+
39 Greis Ully Damaiyanty G 175090507111031 67 63 85,66667 90 94,8 82 90 81,64 A 40 Bella Ery Putri A 175090507111032 65 60 85,33333 85 94,8 77 85,375 78,70 B+
41 Augy Kezia Anggoro 175090507111033 80 52 86 90 94,5 62 86,75 77,25 B+
42 Fatma Inas Zakiya 175090507111034 90 90 87 90 95,7 76 90 88,19 A
43 Annas Nandhia Rakhman 175090507111036 63 67 86 83,33333 93,3 62 85,75 76,18 B+
44 Nefranita Halevi 175090507111037 75 57 85,66667 86,66667 94,8 80 86,375 80,65 A 45 Nandia Pradianti 175090507111040 60 0 86,33333 83,33333 95,3 50 85,75 71,00 B
