P2RP-LP3M UB
Portofolio Perkuliahan UNIVERSITAS BRAWIJAYA
FAKULTAS MIPA
JURUSAN STATISTIKA / PROGRAM STUDI SARJANA STATISTIKA
Mata Kuliah:
Teknik Optimasi
Kode:
MAS61134
RMK:
Teori dan Komputasi
Semester:
Ganjil Dosen Dr. Eni Sumarminingsih, SSi, MM
Pendahuluan
Mata kuliah Teknik Optimasi mempelajari bagaimana memodelkan masalah non-linier alokasi sumber daya yang terbatas sehingga mendapatkan hasil optimal. Model yang dibentuk adalah model makasimisasi atau minimasi dari fungsi non-linier dengan beberapa kendala.
1 Tujuan
Tujuan Umum:
Mata kuliah ini diajarkan supaya mahasiswa mampu memodelkan masalah non-linier alokasi sumber daya yang terbatas sehingga mendapatkan hasil optimal. Model yang dibentuk adalah model makasimisasi atau minimasi dari fungsi non-linier dengan beberapa kendala.
Mata kuliah ini diajarkan untuk mendukung Capaian Pembelajaran Program Studi (Intended Learning Outcome - ILO) berikut ini:
- ILO 1: Menguasai konsep dasar keilmuan dan metode analisis statistika yang dapat diaplikasikan pada bidang komputasi, sosial humaniora, ekonomi, industri dan hayati.
- ILO 3: Mampu mengelola dan menganalisis data, menyelesaikan permasalahan nyata menggunakan metode statistika di bidang komputasi statistika, sosial humaniora, ekonomi, industri dan hayati dengan bantuan perangkat lunak, serta menyajikan dan mengkomunikasikan hasilnya.
- ILO 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 7:Mampu memelihara dan mengembangkan jaringan kerja, serta
melakukan supervisi dan evaluasi terhadap kinerja tim yang dipimpinnya - ILO 8: Mampu menerapkan dan menginternalisasi semangat kemandirian,
kejuangan, kewirausahaan berdasarkan nilai, norma, dan etika akademik serta nilai Pancasila dalam segala aspek kehidupan.
Sedangkan capaian pembelajaran dari Mata Kuliah (Course Learning Outcome - CLO)
P2RP-LP3M UB
Teknik Optimasi ini adalah:
- CLO 1: Mahasiswa mampu memahami konsep dasar nonlinier programming (NLP)
- CLO 2: Mahasiswa mampu menyelesaikan permasalahan NLP satu peubah - CLO 3: Mahasiswa mampu menyelesaikan permasalahan NLP beberapa peubah
tanpa maupun dengan kendala
- CLO 4: Mahasiswa mampu menyelesaikan permasalahan NLP khusus - CLO 5: Mahasiswa mampu menyampaikan hasil pemodelan dan analisisnya
secara tertulis maupun lisan, dalam bentuk tugas individu maupun kelompok 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 Teknik Optimasi dan ILO yang disajikan pada Tabel 1.
Tabel 1. Matriks Hubungan antara CLO dan ILO MK Teknik Optimasi
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
CLO1 0.25 0 0.25 0 0.25 0.25 0 0
CLO2 0.25 0 0.25 0 0.25 0.25 0 0
CLO3 0.25 0 0.25 0 0.25 0.25 0 0
CLO4 0.25 0 0.25 0 0.25 0.25 0 0
CLO5 0 0 0.33 0 0 0 0.33 0.33
2 Strategi Pembelajaran
Perkuliahan ini menyajikan materi yang bersifat teori matematis. Untuk itu digunakan strategi berikut ini:
- Menyediakan akses materi sebelum perkuliahan (dalam file pdf/ppt) yang disampaikan melalui penanggung jawab kelas
- Menyajikan materi secara detil, menyajikan penurunan rumus - rumus 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 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.
- 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.
- Menjelaskan ulang bagian-bagian yang dirasa kurang dipahami 3 Pengelolaan Perkuliahan
Mata kuliah ini adalah mata kuliah 2 sks. Pertemuan terjadwal satu minggu sekali (2
P2RP-LP3M UB
kali 50 menit) selama 14 minggu, Untuk UTS dilaksanakan terjadwal setelah 7 kali pertemuan, sedangkan UAS juga dilaksanakan terjadwal setelah pertemuan ke 14.
Perkuliahan:
- Jadwal: Pertemuan dijadwalkan setiap hari Jumat, jam 13.00 – 14.45 WIB.
- Pada setiap pertemuan, dijelaskan materi selama kurang lebih satu jam 15 menit, dan 30 menit terakhir digunakan untuk latihan soal yang dikerjakan oleh mahasiswa dan langsung dibahas
- Setiap pertemuan mempunyai capaian pembelajaran yang spesifik sesuai materi yang disampaikan. Untuk mengukur ketercapaiannya, telah dirancang pemberian tugas. Hasil tugas tersebut dijadikan bahan evaluasi, untuk mengulang bagian – bagian yang dirasa perlu pada pertemuan selanjutnya.
Sesuai yang dirancang pada RPS, untuk mata kuliah ini diberikan beberapa asesesment dengan materi dan bobot setiap assessment terhadap nilai akhir seperti yang tersaji pada Tabel 2. Semua bentuk penilaian di atas harus dikerjakan secara mandiri oleh mahasiswa
4 Isi Perkuliahan
- Konsep Nonlinear Programming dan Formulasi Matematis - Konsep fungsi konveks dan konkaf
- NLP satu peubah
- Algoritma Golden Section Search
- Optimasi beberapa peubah tanpa kendala - Algoritma Gradient descent (ascent) - Algoritma Newton Raphson
- Optimasi beberapa peubah dengan kendala sama dengan
- Optimasi beberapa peubah dengan kendala tidak sama dengan (syarat Kuhn tucker)
- Pemrograman Kuadratik
- Pemrograman Terpisah (Separable programming)
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 2016 dan angkatan 2017. Untuk Teknik Optimasi kelas B diikuti oleh 36 mahasiswa, dengan komposisi 14 mahasiswa angkatan 2016 dan 22 mahasiswa angkatan 2017.
6 Persentase Kehadiran
Kehadiran dosen adalah 100% sedangkan kehadiran mahasiswa rata – rata sebesar 95%
7 Sistem Evaluasi
- Evaluasi per minggu melalui tugas dan post test. Tujuan dari evaluasi ini adalah
P2RP-LP3M UB
untuk menggali pemahaman mahasiswa apakah sudah sesuai dengan tujuan perkuliahan di setiap minggu/pertemuan. Hasil dari post test dan tugas dimanfaatkan dosen untuk membahas ulang materi yang dirasa kurang pemahamannya.
- Evaluasi beberapa materi melalui Kuis yang mengukur pemahaman dari 3 atau 4 pertemuan. 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.
- Evaluasi materi setelah tengah semester sampai dengan akhir semester melalui UAS, yang diselenggarakan secara terjadwal.
Pada minggu UTS dan UAS seluruh kegiatan perkuliahan diliburkan, sehingga mahasiswa konsentrasi untuk menghadapi UTS/UAS.
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)
Asesment Materi
Bobot terhadap Nilai akhir
CLO 1 CLO 2 CLO 3 CLO 4 CLO 5 Bobot Asesment terhadap CLO (Course Learning
Outcome) Q1 Konsep NLP dan
NLP satu peubah 0.067 0.5 0.5 0 0 0
Q2
NLP beberapa peubah tanpa maupun dengan kendala
0.067 0 0 1 0 0
Q3 NLP Khusus 0.067 0 0 0 1 0
T1 Konsep NLP dan
NLP satu peubah 0.1 0.45 0.45 0 0.1
T2 NLP Khusus 0.1 0 0 0.9 0.1
UTS1 Konsep NLP dan
NLP satu peubah 0.3 0.33 0.67 0 0
UAS1
NLP beberapa peubah tanpa maupun dengan kendala dan NLP Khusus
0.3 0 0 0.5 0.5 0
8 Pengamatan Kelas
Di dalam perkuliahan beberapa mahasiswa aktif berpartisipasi baik itu di dalam mengajukan pertanyaan maupun bersedia maju ke depan untuk menyelesaikan kasus di
P2RP-LP3M UB
white board. Namun tidak sedikit juga yang kurang aktif terutama yang duduk di belakang.
9 Hasil Belajar
Hasil belajar setiap mahasiswa tercermin dari nilai di setiap assessment. Nilai – nilai tersebut dengan bobot masing – masing diolah menjadi nilai akhir, yang nantinya sesuai dengan aturan konversi, dirubah menjadi nilai angka yang dicetak pada KHS/Transkrip mahasiswa. Selain diolah menjadi nilai akhir, nilai di setiap assessment, dengan memperhatikan persentase kontribusi CLO terhadap setiap ILO (Tabel 1) dan bobot setiap assessment terhadap CLO (Tabel 2), diolah dengan bantuan software OBES, sehingga setiap mahasiswa juga mempunyai nilai di setiap CLO dan ILO.
Deskripsi nilai dari setiap CLO dapat dilihat pada Tabel 3, dan Gambar 1. Gambar 1 (a) menyajikan indeks capaian rata – rata mahasiswa pada masing – masing CLO. Gambar 1 (b) menyajikan persentase mahasiswa dengan nilai capaian di atas 60. Pada kedua gambar, setiap sudut dari segi lima merepresentasikan setiap CLO, dan lintasan segi lima terluar menunjukkan capaian yang paling tinggi. Semakin luar posisi garis biru, maka semakin tinggi indeks capaian dari suatu CLO.
Sesuai dengan kategori capaian yang tersaji pada Tabel 4, dapat disimpulkan beberapa hal berikut ini:
- CLO 4 (kemampuan menyelesaikan permasalahan NLP khusus)dan CLO5 (kemampuan menyampaikan hasil pemodelan dan analisisnya secara tertulis maupun lisan, dalam bentuk tugas individu maupun kelompok) secara rata – rata mencapai nilai excellent, dengan rata – rata di atas 80. Pada CLO ini 94,44%
mahasiswa memperoleh nilai capaian di atas 60.
- CLO 1 (kemampuan memahami konsep dasar nonlinier programming (NLP)), CLO 2 (kemampuan menyelesaikan permasalahan NLP satu peubah) dan CLO 3 (kemampuan menyelesaikan permasalahan NLP beberapa peubah tanpa maupun dengan kendala) berada pada kategori pencapaian satisfactory.
- CLO 1 dan CLO 2 adalah yang paling rendah di antara semua capaian yang lain, dengan persentase terendah (69,44%) mahasiswa yang memperoleh nilai capaian di atas 60.
- CLO 3, CLO 4 dan CLO 5 berada pada kategori persentase tinggi (HIGH) dalam hal banyaknya mahasiswa dengan nilai capaian di atas 60 sedangkan CLO 1 dan CLO 2 berada pada kategori persentase sedang (MEDIUM).
Tabel 3. Deskripsi Nilai dan Kategori Capaian untuk Setiap CLO MK Teknik Optimasi
CLO1 CLO2 CLO3 CLO4 CLO5
Rata - rata 69,83 68,67 75,02 80,89 84,1
Kategori Capaian SATISFAC TORY
SATISFACTO RY
SATISFACTO RY
EXCELLE NT
EXCELLE NT Banyaknya
mahasiswa dengan CLO>60
25 25 28 34 34
P2RP-LP3M UB Persentase mahasiswa dnegan CLO>60
69,44 69,44 77,78 94,44 94,44
Kategori Persentase MEDIUM MEDIUM 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 Teknik Optimasi
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 7 - Mampu memelihara dan mengembangkan jaringan kerja, serta melakukan supervisi dan evaluasi terhadap kinerja tim yang dipimpinnya, dan ILO 8 - Mampu menerapkan dan menginternalisasi semangat kemandirian,
0 50 100CLO1
CLO2
CLO3 CLO4
CLO5
Weighted-avg-based CLO's AI
Achievement Index of MAS61134
0 50 100CLO1
CLO2
CLO3 CLO4
CLO5
Student num-based CLO's AI
Achievement Index of MAS61134
P2RP-LP3M UB
kejuangan, kewirausahaan berdasarkan nilai, norma, dan etika akademik serta nilai Pancasila dalam segala aspek kehidupan
Terdapat 94,44% mahasiswa yang memiliki nilai capaian di atas 60 untuk kedua ILO ini.
- Terdapat empat ILO yang yang berada pada kategori capaian Satisfactory yaitu:
ILO 1 - Menguasai konsep dasar keilmuan dan metode analisis statistika yang dapat diaplikasikan pada bidang komputasi, sosial humaniora, ekonomi, industri dan hayati
ILO 3 - Mampu mengelola dan menganalisis data, menyelesaikan permasalahan nyata menggunakan metode statistika di bidang komputasi statistika, sosial humaniora, ekonomi, industri dan hayati dengan bantuan perangkat lunak, serta menyajikan dan mengkomunikasikan hasilnya.
ILO 5 - Mampu menerapkan pemikiran logis, kritis, sistematis, dan inovatif secara mandiri, dengan hasil yang bermutu dan terukur dalam implementasi ilmu pengetahuan dan teknologi yang menerapkan nilai humaniora berdasarkan kaidah, tata cara dan etika ilmiah
ILO 6 - 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 Teknik Optimasi
ILO1 ILO
2 ILO3 ILO
4 ILO5 ILO6 ILO7 ILO8
Rata - rata
terboboti 74,11 74,37 74,11 74,11 84,1 84,1
Kategori Capaian
SATIS- FACTO RY
SATIS- FACTOR Y
SATIS- FACTOR Y
SATIS- FACTOR Y
EXCELL ENT
EXCELL ENT Banyaknya
mahasiswa dengan ILO>60
31 31 31 31 34 34
Persentase mahasiswa dnegan ILO>60
86,11 86,11 86,11 86,11 94,44 94,44
Kategori HIGH HIGH HIGH HIGH 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 Teknik Optimasi 10 Kendala
- Kemampuan/pemahaman mahasiswa mengenai materi – materi matematika dasaryang kurang, di mana kedua hal topik tersebut adalah dasar untuk memahami materi di MK ini.
- Jadwal kuliah yang siang juga kurang mendukung perkuliahan mahasiswa 11 Distribusi Nilai
Nilai akhir diperoleh dari pembobotan seluruh komponen penilaian/asessment seperti yang disajikan pada kolom tiga di Tabel 2. Sedangkan statistika deskriptif dari nilai akhir dapat dilihat di Tabel 6. Rata – rata nilai akhir mahasiswa adalah 74,38, dengan kurang dan lebihnya 19,40 poin dari rata – rata tersebut. Terdapat satu mahasiswa dengan nilai paling rendah (0) karena tidak mengikuti semua kuliah dan assessment, dan nilai tertinggi (96,22) dicapai oleh 1 mahasiswa.
Tabel 6. Statistika Deskriptif Nilai Akhir Teknik Optimasi 2019/2020
Rata rata 74,38
Median 77,65
Simpangan baku 19,40
Range 96,22
Minimum 0
Maximum 96,22
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 dan E, 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.
0 50 100ILO1
ILO2 ILO3 ILO4 ILO5 ILO6 ILO7
ILO8
Weighted-avg-based ILO's AI
Achievement Index of MAS61134
70 80 90 100ILO1
ILO2 ILO3 ILO4 ILO5
ILO6 ILO7
ILO8
Student num-based ILO's AI
Achievement Index of MAS61134
P2RP-LP3M UB
Gambar 3. Sebaran nilai akhir huruf MK Teknik Optimasi 2019/2020 12 Kesimpulan
- Secara umum nilai akhir yang diperoleh masih mencerminkan bahwa strategi dan cara pembelajaran dapat diterima dengan baik oleh sebagian besar mahasiswa.
13 Rekomendasi Perbaikan
- Penjelasan pada materi konsep dasar NLP dan optimasi satu variable lebih detail dan lebih jelas lagi
- Diberikan visualisasi secara grafis agar mahasiswa bias membayangkan proses optimasi tersebut
- Saran dari mahasiswa agar volume suara lebih keras lagi
44.44
8.33
19.44
13.89
2.78
0.00 2.78
8.33
0.00 5.00 10.00 15.00 20.00 25.00 30.00 35.00 40.00 45.00 50.00
A B+ B C+ C D+ D E
Persentase Nilai Huruf
P2RP-LP3M UB
Lampiran 1
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 12 13 14 15 16 17
1
Kontrak kuliah Konsep dan contoh pemrograman non-linear, formulasi masalah NLP
kontrak kuliah, materi, contoh dan
konsep NLP, formulasi matematis
2
Fungsi konveks dan konkaf
tugas
maksimasi volume dan tugas
konkav
3
Penyelesaian NLP satu peubah
fungsi
konveks, fungsi konkav, matriks semi definit
4 Kuis 1
NLP satu peubah pada
selang tertentu
5 Golden Section
Search Kuis1
P2RP-LP3M UB
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 12 13 14 15 16 17
6 NLP tanpa kendala dengan beberapa
peubah
Algori tma Golde n Sectio n searah
7 NLP tanpa Kendala dengan beberapa Peubah menggunakan Metode Newton Raphson
max/mi n tanpa kendala
8 dan 9
UTS
UT
S
10 NLP tanpa Kendala dengan beberapa Peubah menggunakan Metode Steepest Ascent/Descent
gradient descent (ascent)
11 NLP dengan kendala persamaan (pengganda Lagrange)
newton
raphson
P2RP-LP3M UB
Min ggu ke
Rencana
Pelaksanaan pada Minggu ke
1 2 3 4 5 6 7
8 dan 9
10 11 12 13 14 15 16 17
12 NLP dengan kendala pertidaksamaan (syarat Kuhn Tucker)
pengg anda lagran ge
13 Kuis 2
kuis 2, syarat kunhtuc ker
14 Kuadratik Programming
syarat kuhn tucker
15 Separable Programming
pemro grama n kuadra tik
16
Stochastic
Programming separabl
e program
ming
17
UAS
U A S
Kehadiran (%) 86 100 100 97 100 92 83 86 97. 97 97 100 94 100
P2RP-LP3M UB
Lampiran 2.
Daftar Rincian NilaiNIM Nama Q1 Q2 Q3 T1 T2 UTS1 UAS1
'165090500111015 Asro Layalil Azizah 75 90 90 65 90 70 100 '165090501111001 Muhammad Fajar Zulkifli 60 0 100 87 90 45 85
'165090501111008 Nadirah Aulia 40 90 100 85 90 60 70
'165090501111013 Tri Setiyo Wiyono 70 0 50 84 90 80 65
'165090501111022 Fadhilah Addin Cahyani 50 0 100 84 0 30 30 '165090501111036 Kartika Novianingtyas 50 0 100 91 90 80 65 '165090507111009 Raden Muhammad Rais Permana 70 90 80 76 90 55 75
'165090507111020 Ega Iriane Putri 50 90 70 74 90 5 45
'165090507111023 Afrils Virgian Perdana 70 90 30 74 90 65 100 '165090507111028 Rifaldi Raja Alamsyah 60 90 100 82 90 45 65 '165090507111036 Lisa Safira Dhamayanti 60 90 100 85 90 100 70 '165090507111037 Ella Zulfiana Gindy 50 80 100 77 85 70 65 '165090507111039 Intan Ayu Maulida 50 90 80 84 90 80 85
'165090507111047 Dita Anggraini 30 0 40 89 90 50 65
'175090500111002 Riska Mei Anggreani 80 90 100 80 90 90 95 '175090500111036 Mamlu`Atul Marchamah 50 90 70 85 90 85 55 '175090500111038 Agus Putradana Amertha 50 90 80 83 95 30 100 '175090501111006 Salwa Alfi Azhari 80 90 100 83 90 90 100 '175090501111008 Dara Septya Salsabilla 80 90 90 98 90 100 100 '175090501111018 Agis Wahyu Lestari 50 90 100 90 90 95 100 '175090501111019 Vaulita Qatrunnada 40 90 100 88 90 80 65
'175090501111022 Harsony 80 90 70 81 90 40 70
'175090501111027 Ziqra Dika Putri 75 90 90 95 90 90 100
'175090501111028 Shelma Ayu Widya Masyitha 80 90 100 95 90 95 100 '175090501111029 Ratih Kartika Rahmatulnissa 80 90 90 93 90 90 85
'175090501111034 Ulfie Safitri 80 90 100 95 90 70 70
P2RP-LP3M UB
NIM Nama Q1 Q2 Q3 T1 T2 UTS1 UAS1
'175090507111004 Isfar Hakim Ramdani 40 90 70 88 90 40 80 '175090507111015 Fathiyatul Laili Nur Rasyidah 70 90 100 90 90 100 100
'175090507111018 Unzilatur Rohmah 0 0 0 0 0 0 0
'175090507111019 Nawang Ajeng Haksoro 70 90 100 87 95 85 100
'175090507111026 Divia Avonita 80 80 100 89 90 85 65
'175090507111027 Adinda Putri Nabila 80 90 100 86 90 80 70 '175090507111028 Muhammad Daafa` Fenori 75 0 80 79 90 20 35 '175090507111031 Greis Ully Damaiyanty Gultom 50 90 100 90 90 80 100 '175090507111033 Augy Kezia Anggoro 50 90 90 94 90 45 75 '175090520111001 Muhammad Nur Dzakki 85 90 100 84 90 75 100
