P2RP-LP3M UB
Portofolio Perkuliahan
UNIVERSITAS BRAWIJAYA
FAKULTAS MIPA
JURUSAN STATISTIKA / PROGRAM STUDI SARJANA STATISTIKA
Mata Kuliah:
Analisis Survival
Kode:
MAS62222
RMK:
Teori dan Komputasi
Semester:
Genap Dosen Dr. Adji Achmad R. S.Si., M.Sc.
Pendahuluan
Mata kuliah Analisis Survival adalah mata kuliah yang diampu oleh dosen pengajar secara profesional. Proses pembelajaran dilakukan melalui teori dan praktek menggunakan software R maupun Microsoft Excel. Dosen pengajar memiliki strategi yang tepat untuk menyampaikan materi pada mata kuliah ini. Dalam proses pembelajaran, baik dosen maupun mahasiswa memiliki peran aktif di kelas. Mengenai hasil akhir dari pemahaman mahasiswa, akhirnya kembali kepada kemampuan dasar mahasiswa serta pemahaman mahasiswa mengenai mata kuliah – mata kuliah pendukung. Meskipun begitu, dosen pengajar akan tetap memahami kondisi dan karakteristik setiap mahasiswa agar kendala yang mereka miliki dapat menjadi bahan masukan bagi dosen dalam membuat strategi pembelajaran di kelas apabila diperlukan.
1 Tujuan
Tujuan Umum:
Mata kuliah ini diajarkan supaya mahasiswa mampu menerapkan dan menguasai konsep dasar analisis survival dalam melakukan inferensi pada bidang ilmu kehidupan, 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, sosila humaniora, ekonomi, industri dan hayati.
- ILO 5: Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif secara mandiri, dengan hasil yang bermutu dan terukur dalam implementasi ilmu pengetahuan dan teknologi yang menerapkan nilai humaniora berdasarkan kaidah, tata cara dan etika ilmiah.
- ILO 6: Mampu mengambil keputusan secara tepat dalam menyelesaikan masalah di bidang keahliannya berdasarkan hasil analisis informasi dan data.
- ILO 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) Analisis Big Data ini adalah:
P2RP-LP3M UB
- CLO1: Mahasiswa mampu memahami konsep dasar teori cumulative probability sebagai dasar analisis survival
- CLO2: Mamhasiswa mampu menerapkan konsep analisis survival fungsi hazard - CLO3: Mahasiswa mampu menerapkan analisis survival parameterik
pendekatan cox proportional hazard
- CLO4: Mahasiswa mampu menerapkan analisis survival nonparameterik pendekatan kaplan maier
- CLO5: Mahasiswa mampu mengaplikasikan program R untuk analisis survival Tabel 1. Matriks Hubungan antara CLO dan ILI Mk Analisis Survival
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
CLO1 0 0.2 0 0.3 0 0 0 0.3
CLO2 0 0.3 0 0.2 0 0 0 0.3
CLO3 0 0.2 0.2 0.2 0 0.2 0.2 0
CLO4 0 0.2 0.2 0.2 0 0.2 0.2 0
CLO5 0 0.2 0.2 0.2 0 0.2 0.2 0
2 Strategi Pembelajaran
Perkuliahan ini menyajikan materi yang bersifat teori dan konsep komputasi. Untuk itu digunakan strategi berikut ini:
- Memberikan akses materi pembelajaran untuk 1 semester yang dibagikan melalui ketua kelas kepada mahasiswa pengampu mata kuliah analisis survival.
- Membentuk 2 kelompok yang berbeda yaitu kelompok sebelum UTS dan kelompok sesudah UTS. Kelompok – kelompok belajar dibentuk supaya dapat mengerjakan tugas kelas melalui diskusi mengenai materi yang telah diterima secara efektif dan efisien.
- Menyajikan materi di depan kelas secara detil, menyajikan rumus – rumus yang dapat diikuti secara mandiri, disertai ilustrasi grafik jika perlu.
- Menyajikan materi melalui power point dan menulis di white board.
- Secara aktif memberi kesempatan sesi tanya jawab agar mahasiswa dapat fokus di kelas dan ikut berperan aktif. Bagi mahasiswa yang benar dalam menjawab pertanyaan akan diberikan penghargaan berupa poin (bintang) yang dapat digunakan untuk menambah nilai.
- Memberikan latihan kasus yang serupa dengan contoh yang sudah dijelaskan dosen dikelas. Karena sifatnya latihan, maka dosen akan membantu dan menjelaskan ulang solusinya setelah mahasiswa mencoba secara individu maupun berdiskusi secara berkelompok.
- Memberikan kuis trivia untuk mengukur pemahaman mahasiswa akan materi yang sudah disajikan. Pada sesi kuis mahasiswa benar – benar harus berusaha mengerjakan sendiri kasus yang diberikan.
- Memberikan tugas terstruktur disetiap pertemuan, topik tugas sesuai dengan materi yang diberikan pada pertemuan tersebut. Tujuan memberikan tugas terstruktur disetiap pertemuan agar mahasiswa mampu melakukan diskusi
P2RP-LP3M UB
bersama teman satu kelompok dan menciptakan mahasiswa yang paham mengenai materi beserta penerapan pada kasus nyata.
- Menjelaskan ulang bagian-bagian yang dirasa kurang dipahami (dari tugas yang pernah diberikan) pada pertemuan berikutnya.
3 Pengelolaan Perkuliahan
Mata kuliah ini adalah mata kuliah 3 sks tanpa responsi. Pertemuan terjadwal satu minggu sekali (3 kali 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: Pertemuan dijadwalkan setiap hari Senin, jam 13.00 – 15.40 WIB. Pada setiap pertemuan, mengingat materi perkuliahan yang menuntut konsentrasi tinggi dari mahasiswa, dosen menyajikan materi pada dua sks pertama. 15 sampai 30 menit dari satu sks terakhir digunakan mahasiswa untuk berlatih serta berdiskusi secara berkelompok, menerapkan konsep yang sudah dijelaskan pada kasus nyata. Sedangkan 20 menit terakhir dimanfaatkan mahasiswa untuk mencari literasi di perpustakaan.
b. Setiap pertemuan mempunyai capaian pembelajaran yang spesifik sesuai materi yang disampaikan. Untuk mengukur ketercapaiannya, telah dirancang pemberian kuis trivia atau tugas. Hasil kuis trivia atau tugas tersebut dijadikan bahan evaluasi, untuk mengulang bagian – bagian yang dirasa perlu pada pertemuan selanjutnya. Sesuai yang dirancang pada RPS, mahasiswa mengerjakan beberapa hal berikut ini sebagai bentuk penilaian:
- Tugas 1 untuk memahami konsep dasar teori cumulative probability sebagai dasar analisis survival dan membuat grafik survival dari contoh kasus nyata.
- Tugas 2 untuk memahami probability density function, cumulative probability function, fungsi survival, hazard rate, periode survive, dan variasi waktu survive dari sebaran peluang yang sering digunakan dalam analisis survival. Serta mengetahui bentuk grafik dari setiap fungsi apabila nilai parameter berbeda – beda.
- Kuis 1 untuk materi dasar peluang dalam analisis survival dan konsep analisis survival fungsi hazard.
- Tugas 3 untuk memahami penerapan analisis survival pendekatan cox proportional hazard pada contoh kasus.
- Tugas 4 untuk memahami penerapan analisis survival pendekatan kaplan maier pada contoh kasus.
- Kuis 2 untuk materi analisis survival parametrik pendekatan cox proportional hazard,dan nonparametrik pendekatan kaplan maier
Bentuk penilaian Tugas 1 (T1), Tugas 2 (T2), Tugas 3 (T3), dan Tugas 4 (T4) dikerjakan secara berkelompok maupun mandiri dan bentuk penilaian Kuis 1 (Q1) dan Kuis 2 (Q2) dikerjakan secara mandiri oleh mahasiswa.
P2RP-LP3M UB
4 Isi Perkuliahan
- Definisi dasar analisis survival - Penjelasan materi data tersensor
- Penjelasan materi dan prinsip dasar fungsi survivor, fungsi hazard, dan sifat - sifatnya
- Penjelasan materi dan prinsip dasar kuva survival kaplan maier
- Penjelasan materi dan prinsip dasar pengujian Log – Ranks beserta alternatifnya - Penjelasan materi dan prinsip dasar pendekatan grafis asumsi proportional
hazard (PH)
- Penjelasan materi dan prinsip dasar pendekatan pengujian goodness of fit - Penjelasan materi dan prinsip dasar pendekatan time – dependent variabel - Penjelasan materi dan prinsip dasar model cox proportional hazard (PH)
Kesesuaian antara materi perkuliahan yang dirancang pada kurikulum dengan prakteknya dapat dilihat pada Lampiran 1.
5 Peserta Kuliah
Mata kuliah ini adalah mata kuliah pilihan yang diikuti oleh Mahasiswa Program Studi Sarjana Statistika FMIPA UB, angkatan 2017, dan beberapa dari angkatan 2015 dan 2016 yang karena satu dan lain hal tidak dapat mengambil mata kuliah ini pada tahun lalu. Untuk Analisis Survival hanya terdapat satu kelas yaitu kelas A yang diikuti oleh 35 mahasiswa, dengan komposisi 1 mahasiswa angkatan 2015, 3 mahasiswa angkatan 2016, dan 31 mahasiswa angkatan 2017.
6 Persentase Kehadiran
Kehadiran dosen adalah 100% sedangkan kehadiran mahasiswa rata – rata sebesar 100%
Hanya saja terdapat 1 mahasiswa yang tidak dapat mengikuti perkuliahan dari awal hingga akhir karenakan cuti/alasan lainnya.
7 Sistem Evaluasi
- Evaluasi per minggu melalui tugas berkelompok dan sesi tanya jawab. Tujuan dari evaluasi ini adalah untuk menggali pemahaman mahasiswa apakah sudah sesuai dengan tujuan perkuliahan di setiap minggu/pertemuan. Hasil dari tugas kelompok dimanfaatkan dosen untuk membahas ulang materi yang dirasa kurang pemahamannya.
- Evaluasi beberapa materi melalui Kuis yang mengukur pemahaman dari 3 atau 4 pertemuan sebelumnya. Tipe soal menyerupai soal UTS/UAS, sehingga mahasiwa mempunyai bayangan mengenai persiapan menghadapi UTS/UAS.
- Evaluasi materi sampai dengan tengah semester melalui UTS, yang diselenggarakan secara terjadwal oleh akademik.
- Evaluasi materi setelah tengah semester sampai dengan akhir semester melalui UAS, yang diselenggarakan secara terjadwal oleh akademik.
Pada minggu UTS dan UAS seluruh kegiatan perkuliahan diliburkan, sehingga
P2RP-LP3M UB
mahasiswa konsentrasi untuk menghadapi UTS/UAS.
Soal untuk seluruh tipe evaluasi dibuat standar/sama untuk setiap mahasiswa. Materi yang dievaluasi untuk setiap asessment dan bobotnya dapat dilihat pada Tabel 1.
Tabel 2. Asesmen dan materi yang diukur, serta pembobotan setiap assesment terhadap nilai akhir dan Capaian Pembelajaran Mata Kuiah (Course Learning Outcome - CLO)
Asesment Materi
Bobot terhadap nilai akhir
CLO1 CLO2 CLO3 CLO4 CLO5 Bobot Asesment terhadap CLO (Course Learning
Outcome)
Q1
materi dasar peluang dalam analisis survival dan konsep analisis survival fungsi hazard.
0.125 0.5 0.5 0 0 0
Q2
materi analisis survival parametrik pendekatan cox proportional hazard,dan nonparametrik pendekatan kaplan maier
0.125 0 0 0.3 0.3 0.4
T1
memahami konsep dasar teori cumulative probability sebagai dasar analisis survival dan membuat grafik survival dari contoh kasus nyata.
0.05 0.8 0.2 0 0 0
T2
memahami probability density function, cumulative probability function, fungsi survival, hazard rate, periode survive, dan variasi waktu survive dari sebaran peluang yang sering digunakan dalam analisis survival.
Serta mengetahui bentuk grafik dari setiap fungsi
0.05 0.2 0.8 0 0 0
P2RP-LP3M UB
apabila nilai parameter berbeda – beda.
T3
memahami penerapan analisis survival pendekatan cox proportional hazard pada contoh kasus.
0.05 0 0 0.8 0 0.2
T4
memahami penerapan analisis survival pendekatan kaplan maier pada contoh kasus.
0 0 0 0.8 0.2
UTS1
Semua materi dari pertemuan 1 – 7
0.05 0.3 0.4 0.3 0 0
UAS1
Semua materi dari pertemuan 8 sampai akhir
0.25 0 0 0.2 0.4 0.4
8 Pengamatan Kelas
Selama perkuliahan mahasiswa akan memenuhi bangku baris pertama, kedua, dan ketiga terlebih dahulu sedangkan bagi mahasiswa yang terlambat dapat menempati bangku yang masih kosong atau bangku di baris keempat. Mahasiswa secara aktif mengikuti perkuliahan dengan berlomba – lomba untuk dapat menjawab pertanyaan dari dosen, mengerjakan soal di white board, maupun melakukan presentasi kelompok.
Hampir 80% mahasiswa berpartisipasi aktif dalam kegiatan tersebut. Meskipun begitu terdapat beberapa mahasiswa yang tidak begitu aktif selama perkuliahan. Beberapa pengamatan bagi mahasiswa pasif diperoleh perkiraan sebagai berikut:
- Berpandangan kosong di kelas.
- Tidak ada respons ketika ditanya mengenai pemahaman mereka.
- Tidak bisa fokus mengikuti perkuliahan.
- Hanya “menonton” penjelasan dan penurunan rumus yang dilakukan dosen di white board, tanpa membuat catatan atau mencoba sendiri.
Untuk mengantisipasi kecepatan pemahaman mahasiswa yang tidak seragam, maka dosen mengatur ulang waktu penyampaian materi yang diberikan agar bisa 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.
9 Hasil Belajar
Hasil belajar setiap mahasiswa tercermin dari nilai di setiap assessment. Nilai – nilai
P2RP-LP3M UB
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:
Hanya CLO1 (Mahasiswa mampu memahami konsep dasar teori cumulative probability sebagai dasar analisis survival) dan CLO2 (Mamhasiswa mampu menerapkan konsep analisis survival fungsi hazard) secara rata – rata mencapai nilai excellent, dengan rata – rata di atas 80. Pada CLO ini 100% mahasiswa memperoleh nilai capaian di atas 60.
- CLO selain CLO1 dam CLO2 selainnya berada pada kategori pencapaian satisfactory.
- Semua CLO berada pada kategori persentase tinggi (HIGH) dalam hal banyaknya mahasiswa dengan nilai capaian di atas 60.
Tabel 3. Deskripsi Nilai dan Kategori Capaian untuk Setiap CLO MK Analisis Survival
CLO1 CLO2 CLO3 CLO4 CLO5
Rata - rata 80.2 80.03 75.86 79.33 78.13
Kategori Capaian EXCELL ENT
EXCELLE NT
SATISFACTO RY
SATISFACTO RY
SATISFACTO RY
Banyaknya mahasiswa dengan CLO>60
34 34 34 34 34
Persentase mahasiswa dnegan CLO>60
97.14 97.14 97.14 97.14 97.14
Kategori
Persentase 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
P2RP-LP3M UB
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 Analisis Survival
Selain nilai untuk capaian pembelajaran mata kuliah (CLO), dapat dianalisis pula nilai dari setiap ILO yang didukung oleh mata kuliah ini. Deskripsi mengenai pencapaian ILO dari mata kuliah ini disajikan pada Tabel 5, dan Gambar 2. Gambar 2 (a) menyajikan indeks capaian rata – rata mahasiswa pada masing – masing ILO yang didukung oleh mata kuliah ini. Gambar 2 (b) menyajikan persentase mahasiswa dengan nilai capaian di atas 60. Pada kedua gambar, setiap sudut dari segi delapan merepresentasikan setiap ILO, dan lintasan segi delapan terluar menunjukkan capaian yang paling tinggi. Semakin luar posisi garis biru, maka semakin tinggi indeks capaian dari suatu ILO.
Beberapa hal yang dapat disimpulkan dari dukungan mata kuliah ini terhadap Capaian Pembelajaran Program Studi (ILO):
- Terdapat dua ILO yang berada pada kategori capaian Excellent, yaitu:
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, dan
ILO8 - Mampu menerapkan dan menginternalisasi semangat kemandirian, kejuangan, kewirausahaan berdasarkan nilai, norma, dan etika akademik serta nilai Pancasila dalam segala aspek kehidupan
Terdapat 100% mahasiswa yang memiliki nilai capaian di atas 60 untuk kedua ILO ini.
- Terdapat dua ILO yang yang berada pada kategori capaian Satisfactory yaitu:
ILO1 - Menguasai konsep dasar keilmuan dan metode analisis statistika yang dapat diaplikasikan pada bidang komputasi, sosial humaniora, ekonomi, industri dan hayati
0 50 100CLO1
CLO2
CLO3 CLO4
CLO5
Weighted-avg-based CLO's AI
Achievement Index of MAS62222
94 96 98 100CLO1
CLO2
CLO3 CLO4
CLO5
Student num-based CLO's AI
Achievement Index of MAS62222
P2RP-LP3M UB
ILO6 - Mampu mengambil keputusan secara tepat dalam menyelesaikan masalah di bidang keahliannya berdasarkan hasil analisis informasi dan data.
Walaupun tidak semua mahasiswa memperoleh nilai capaian di atas 60 untuk kedua ILO tersebut, namun kategori persentase mahasiswa dengan nilai capaian di atas 60 masih HIGH.
Tabel 5. Deskripsi Nilai dan Kategori Capaian untuk Setiap ILO yang didukung oleh MK Analisis Survival
ILO1 IL
O2 ILO3 ILO4 ILO5 IL
O6 ILO7 ILO8
Rata - rata terbob
oti 80.11 78.81 77.72 78.81 77.72 77.72
Kateg ori Capaia n
EXCEL LENT
SATISFAC TORY
SATISFAC TORY
SATISFAC TORY
SATISFACT ORY
SATISF ACTOR Y Banya
knya mahasi swa denga n ILO>6
0 34 34 34 34 34 34
Persen tase mahasi swa dnega n ILO>6 0
97.14 97.14 97.14 97.14 97.14 97.14
Kateg
ori HIGH HIGH HIGH HIGH
HI
GH HIGH HIGH
P2RP-LP3M UB
(a) (b)
Gambar 2. Visualisasi (a) indeks capaian dan (b) presentasi mahasiswa dengan capaian
>60 di setiap ILO yang didukung oleh MK Analisis Survival 10 Kendala
- Kurangnya kemampuan mahasiswa dalam memahami dan membuat bahasa pemrograman analisis survival dalam software R yang mengakibatkan mahasiswa sulit untuk mengikuti alur pembelajaran di kelas yang menuntut kesigapan dan kecepatan dalam membuat grafik di software R dan Microsoft Excel. Sehingga beberapa mahasiswa cenderung hanya menunggu hasil dari mahasiswa lain yang paham bahasa pemrograma R.
- Diselenggarakannya kuliah secara online pada paruh semester kedua (setelah UTS) mengakibatkan keterbatasan dosen untuk dapat menjelaskan materi secara detil. Berbagai aturan kuliah secara online juga mempersulit dosen untuk menggali pemahaman mahasiswa, yang dapat dilakukan ketika bertemu langsung.
11 Distribusi Nilai
Nilai akhir diperoleh dari pembobotan seluruh komponen penilaian/asessment seperti yang sudah disajikan pada kolom dua di Tabel 1. Sedangkan statistika deskriptif dari nilai akhir dapat dilihat di Tabel 2. Rata – rata pemahaman mahasiswa adalah 79%
untuk materi secara keseluruhan, dengan kurang dan lebihnya 14% dari rata – rata tersebut. Terdapat satu mahasiswa dengan pemahaman paling rendah, nilai 0, namun ada pulan yang berhasil optimal memahami materi dengan nilai 87.
Tabel 2. Statistika Deskriptif Nilai Akhir Analisis Survival 2019/2020
Rata rata 78.68
Median 81.41
Simpangan baku 14.23
Range 87.03
Minimum 0
Maximum 87.03
0 50 100ILO1
ILO2 ILO3 ILO4 ILO5
ILO6 ILO7
ILO8
Weighted-avg-based ILO's AI
Achievement Index of MAS62222
94 96 98 100ILO1
ILO2 ILO3 ILO4 ILO5
ILO6 ILO7
ILO8
Student num-based ILO's AI
Achievement Index of MAS62222
P2RP-LP3M UB
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, 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 Analisis Survival 2019/2020 12 Kesimpulan
- Dengan segala kendala dan kemampuan dasar mahasiswa pada mata kuliah analisis survival, dapat diketahui bahwa pemahaman materi mahasiswa dapat tercermin melalui nilai akhir. Nilai mahasiswa yang tinggi mencerminkan bahwa mahasiswa tersebut memiliki pemahaman yang lebih dibanding dengan mahasiswa lain, sedangkan nilai mahasiswa yang rendah menunjukkan kurangnya pemahaman atas materi analisis survival.
- Sedikit berubahnya rencana jadwal penyampaian materi analisis survival karena adanya pandemi covid-19, mengakibatkan dosen harus memangkas materi yang harus disampaikan dan membatasi penyampaian materi secara langsung (di kelas) sehingga mahasiswa tidak dapat memahami materi secara optimal.
- Terdapat beberapa mahasiswa yang kurang dapat mengikuti kecepatan dosen ketika menjelaskan materi, sehingga dosen harus menyesuaikan kecepatan dengan kemampuan pemahaman mahasiswa. Hal ini mengakibatkan dosen harus mengorbankan waktu pembahasan di materi tertentu, sehingga hasil pembelajaran di materi tersebut menjadi tidak optimal.
13 Rekomendasi Perbaikan
- Sebaiknya dosen yang mengajar mata kuliah dasar selalu memberikan
63%
26%
9%
3%
0%
10%
20%
30%
40%
50%
60%
70%
A B+ B E
Persen Nilai Huruf
P2RP-LP3M UB
pandangan mengenai pentingnya memahami mata kuliah dasar agar dapat dimanfaatkan dengan baik pada mata kuliah lainnya.
- Lebih menyederhanakan bahasa ilmiah yang sulit untuk dipahami oleh mahasiswa. Jika memang bahasa ilmiah itu akan sering digunakan maka sebaiknya dosen mengenalkan bahasa ilmiah di awal perkuliahan.
P2RP-LP3M UB
Lampiran 1
Menguasai konsep
dasar keilmuan dan metode
analisis statistika yang dapat diaplikasik
an pada bidang komputasi,
sosial humaniora,
ekonomi, industri dan
hayati.
Mampu menyusun dan atau memilih rancangan pengumpulan/pembangki tan data secara efisien dan menerapkan dalam
bentuk survei, percobaan, atau simulasi.
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 mengkomunikasik
an hasilnya.
Menguas ai minimal
dua perangka
t lunak statistika, termasuk
yang berbasis
open source.
Mampu menerapka n pemikiran logis, kritis, sistematis, dan inovatif
secara mandiri,
dengan hasil yang
bermutu dan terukur
dalam implementa
si ilmu pengetahua
n dan teknologi
yang menerapka
n nilai humaniora berdasarkan
kaidah, tata cara dan
etika ilmiah;
Mampu mengambil
keputusan secara tepat
dalam menyelesaik
an masalah di bidang keahliannya berdasarkan hasil analisis informasi
dan data;
Mampu memelihara
dan mengembangk
an jaringan kerja, serta melakukan supervisi dan
evaluasi terhadap kinerja tim
yang dipimpinnya;
Mampu menerapkan
dan menginternalis
asi semangat kemandirian, kejuangan, kewirausahaan
berdasarkan nilai, norma, dan etika akademik serta
nilai Pancasila dalam segala
aspek kehidupan.
P2RP-LP3M UB Mahasiswa mampu memahami konsep dasar teori
cumulative probability sebagai dasar analisis survival
0,3 0,2 0,3
Mamhasiswa mampu menerapkan konsep analisis survival fungsi hazard
0,3 0,3 0,2
Mahasiswa mampu menerapkan analisis survival parameterik pendekatan cox
proportional hazard
0,2 0,2 0,2 0,2 0,2
P2RP-LP3M UB Mahasiswa mampu menerapkan analisis survival nonparameteri k pendekatan kaplan maier
0,2 0,2 0,2 0,2 0,2
Mahasiswa mampu mengaplikasik an program R untuk analisis survival
0,2 0,2 0,2 0,2 0,2
P2RP-LP3M UB
Lampiran 2. Daftar Rincian Nilai
NIM Nama Q1 Q2 T1 T2 T3 T4 UTS1 UAS1
'155090501111030 Fauzan Rismanda Rosanta P. 84,33 83 84 83 66 70 75 73
'165090507111002 Izzudin Naufal 84 83,67 84 84,33 57 66,25 60 76
'165090507111020 Ega Iriane Putri 82,67 82,67 84,67 82,67 76 79,50 81 80
'165090507111025 Syifa Emilia Mahmuda 84,33 81,33 83,33 82,67 64 88,75 81 73
'175090500111002 Riska Mei Anggreani 82,33 82,67 84 82,67 71 87,50 76 70
'175090500111006 Andi Prasetya 84,67 83,33 84 84,33 77 82,50 88 90
'175090500111019 Sausan Dian Maulida 82 82,67 82,67 83,67 27 79,50 77 70
'175090500111023 Nurul Rismasari 84,33 83 84 84,33 68 87,50 80 91,67
'175090500111025 Neri Krismonisa 0 0 0 0 0 0 0 0
'175090500111038 Agus Putradana Amertha 82,67 82,67 84,67 83,33 85 88,75 91 68,33
'175090500111039 Zidane Ariyandy 84,33 81,33 83,33 84,33 62 82,5 56 90
'175090501111006 Salwa Alfi Azhari 82,33 82,67 84 83 75 85 86 75
'175090501111008 Dara Septya Salsabilla 84,67 83,33 84 85 45 86,25 77 70
'175090501111013 Inka Dia Rista 82 82,67 82,67 83,67 76 90 86 86,67
'175090501111018 Agis Wahyu Lestari 84,33 83 84 85 68 83,75 89 90
'175090501111019 Vaulita Qatrunnada 84 83,67 84 82,67 55 91,25 77 70
'175090501111022 Harsony 82,67 82,67 84,67 82,67 60 76,25 65 70
'175090501111025 Aprilliah 84,33 81,33 83,33 83,33 63 73,75 81 75
'175090501111028 Shelma Ayu Widya Masyitha 82,33 82,67 84 84,33 63 87,5 79 83,33
'175090501111031 Renica Anggun Puspacandra 84,67 83,33 84 82,67 63 91,25 76 88
'175090501111032 Fahmy Kurniawan Putra 82 82,67 82,67 85 61 79,5 95 70
'175090507111004 Isfar Hakim Ramdani 84,33 83 84 83,67 61 88,75 80 68,33
'175090507111006 Putri Apriliyanti 84 83,67 84 84,33 59 85 95 88,33
'175090507111007 Reza Afdhalul Arsa 82,67 82,67 84,67 83 63 88,75 84 86,67
'175090507111013 Bulan Permatasari 84,33 81,33 83,33 88,33 63 86,25 90 88,33
'175090507111015 Fathiyatul Laili Nur Rasyidah 82,33 82,67 84 83,33 75 86,25 85 88,67
P2RP-LP3M UB
NIM Nama Q1 Q2 T1 T2 T3 T4 UTS1 UAS1
'175090507111020 Yunia Hasnataeni 84,67 83,33 84 85 55 87,5 85 70
'175090507111025 Dimas Ananta Ariestia 82 82,67 82,67 84,33 62 85 95 90
'175090507111026 Divia Avonita 84,33 83 84 84,33 70 85 78 82
'175090507111027 Adinda Putri Nabila 84 83,67 84 82,67 71 85 81 82
'175090507111029 Moses Galuh Wilianto 82,67 82,67 84,67 82,67 72 91,25 81 78
'175090507111030 Febrina Khairani 84,33 81,33 83,33 83 60 87,5 83 90
'175090507111032 Bella Ery Putri Ananda 82,33 82,67 84 83,67 70 87,5 73 88
'175090507111034 Fatma Inas Zakiya 84,67 83,33 84 88,33 75 87,5 90 85
'175090507111036 Annas Nandhia Rakhman 82 82,67 82,67 83,33 66 77,75 77 90
