RENCANA PEMBELAJARAN SEMESTER (RPS)

(1)

Identitas Mata Kuliah Identitas dan Validasi Nama Tanda Tangan

Kode Mata Kuliah : THP207T Dosen Pengembang RPS : Gusti Fauza, S.T., M.T., Ph.D.

Nama Mata Kuliah : STATISTIKA INDUSTRI Dr. Ir. Sigit Prabawa, M.Si.

Bobot Mata Kuliah (sks) : 2(1-1) Koordinator Kelompok Mata Kuliah : Gusti Fauza, S.T., M.T., Ph.D.

Semester : 2

Mata Kuliah Prasyarat : - Kepala Program Studi : R. Baskara Katri Anandito, S.T.P, M.P.

Capaian Pembelajaran Lulusan (CPL)

Kode CPL Unsur CPL

Sikap (S)

S-3 : Berkontribusi dalam peningkatan mutu kehidupan bermasyarakat, berbangsa, bernegara, dan kemajuan peradaban berdasarkan Pancasila S-9 : Menunjukkan sikap bertanggung-jawab atas pekerjaan di bidang keahliannya secara mandiri.

S-10 : Menginternalisasi semangat kemandirian, kejuangan, dan kewirausahan.

Keterampilan Umum (KU)

KU-1 : Mampu menyelesaikan pekerjaan berlingkup luas dan menganalisis data dengan beragam metode yang sesuai, baik yang belum maupun yang sudah baku.

KU-2 : Mampu menunjukkan kinerja bermutu dan terukur.

KU-3 : Mampu memecahkan masalah pekerjaan dengan sifat dan konteks yang sesuai dengan bidang keahlian terapannya didasarkan pada pemikiran logis, inovatif, dan bertanggung-jawab atas hasilnya secara mandiri.

KU-6 : Mampu bertanggung-jawab atas pencapaian hasil kerja kelompok dan melakukan supervisi dan evaluasi terhadap penyelesaian pekerjaan yang ditugaskan kepada pekerja yang berada di bawah tanggung-jawabnya.

KU-7 : Mampu melakukan proses evaluasi diri terhadap kelompok kerja yang berada di bawah tanggung-jawabnya, dan mengelola pengembangan kompetensi kerja secara mandiri.

KU-8 : Mampu mendokumentasikan, menyimpan, mengamankan, dan menemukan kembali data untuk menjamin kesahihan dan mencegah plagiasi.

CP Mata Kuliah (CPMK) : Mampu menerapkan prinsip-prinsip statistika dalam industri hasil pertanian, mengolah data,menyajikan data,dan mengintepretasikan data.

Bahan Kajian Keilmuan : 1. Prinsip dasar Statistika dan pemanfaatannya.

2. Ukuran pemusatan data dan penyebaran data.

3. Peluang.

4. Bilangan acak dan distribusi peluang.

5. Distribusi Sampling dan deskripsi data.

6. Uji Hipothesis.

7. Korelasi dan Regresi.

8. Uji hedonik.

9. Anova.

10.Statistika Non Parametrik.

PROGRAM STUDI D3 TEKNOLOGI HASIL PERTANIAN SEKOLAH VOKASI

UNIVERSITAS SEBELAS MARET

(2)

Deskripsi Mata Kuliah : Secara garis besar, dalam kuliah ini akan dibahas tentang: 1) Statistik deskriptif yang memuat pokok bahasan tentang mengumpulkan, mengolah dan menyajian data, seperti mean, median, modus, dsb. 2) Statistik inferensial, yang membahas berbagai jenis uji statistik yang diperuntukan untuk menarik kesimpulan dari data. 3) Statistika non parametrik yang diperuntukan untuk mengolah dan menganalisis data dalam penelitian dengan distribusi datanya menyebar secara tidak normal

Daftar Referensi : 1. Walpole, R.E., Myers, R.H., Myers, S.L. and Ye, K., 1993. Probability and statistics for engineers and scientists (Vol. 5). New York: Macmillan.

2. Bower, J.A., 2013. Statistical methods for food science: introductory procedures for the food practitioner. John Wiley & Sons.

3. Rossi, F. and Mirtchev, V., 2015. Statistics for Food Scientists: Making Sense of the Numbers. Academic Press

4. Morgan, G.A., Leech, N.L., Gloeckner, G.W. and Barrett, K.C., 2004. SPSS for introductory statistics: Use and interpretation. Psychology Press.

(3)

Tahap Kemampuan akhir

(Sub-CPMK) Materi Pokok Referensi

Metode Pembelajaran

Waktu Pengalaman Belajar

Penilaian*

Luring Daring Indikator/kode CPL Teknik penilaian

dan bobot

1 2 3 4 5 6 7 8 9 10

1

Mahasiswa memahami prinsip dasar statistik, kenapa statistik itu penting dan bagaimana

pemanfaatannya dalam permasalahan dunia nyata

Pengantar Statistik

 Defenisi

 Ruang lingkup

 Pemanfaatan

Ref 1, Chap 1 Ref 2, Chap 1,2

Ref 3, Chap 1

Kuliah:

•Diskusi

•Tugas-1:

Menyusun ringkasan dlm bentuk makalah tentang ruang lingkup dan

pemanfaatan Statistika.

e-Learning:

SPADA-UNS Belajar Mandiri:

Menggali dan merumuskan penerapan satistika industri

di bidang teknologi hasil

pertanian http://spada.uns

.ac.id

Tatap Muka [TM: 1x(1x50”)]

Penugasan Terstruktur dan Belajar Mandiri [PT+BM:(1+1)x(

1x60”)]

 Mengkaji prinsip dasar statistika

 Mendiskusikan manfaat statistik dan

implementasinya

 Ketepatan menjelaskan tentang prinsip dasar statistika (S3, KU 1–3).

 Ketepatan menjelaskan ruang lingkup statistika (S3, KU 1–3).

 Ketepatan menjelaskan tentang penerapan statistika (S3, KU 1–3).

Kriteria:

Pedoman Penskoran Bentuk non-tes:

 Meringkas materi kuliah

 Quiz-1

Jelaskan perbedaan statistik dan statistika.

Bobot:

5%

2

Mahasiswa memahami dan mampu

menggunakan/mengimplem entasikan metode untuk mengukur pemusatan dan penyebaran data beserta penyajian dan analisisnya

Ukuran Pemusatan Data dan penyebaran data

 Mean, Median, Modus, Skewness

 Range, Quartiles , Variance, Standard deviation

Ref 1, Chap 1 Ref 2, Chap 3 Ref 3, Chap 1 Ref 4, Chap 2- 3

Kuliah:

•Diskusi

•Tugas-2:

Menyusun ringkasan dlm bentuk makalah tentang ukuran pemusatan data dan penyebaran data.

e-Learning:

Menggali dan merumuskan

ukuran pemusatan data dan penyebaran

data http://spada.uns

.ac.id

Tatap Muka [TM: 1x(1x50”)]

1x60”)]

 Mengkaji dan mendiskusikan cara/metode untuk mengukur pemusatan dan penyebaran data

 Berlatih menghitung ukuran pemusatan dan penyebaran data baik dengan atau tanpa software

 Membaca dan mendiskusikan hasil penyajian data

 Ketepatan menghitung ukuran pemusatan data dan penyebaran data (S3, S9, S10, KU 1–3, 6–8).

 Ketepatan membaca dan menginterpretasikan penyajian data (S3, S9, S10, KU 1–3, 6–8).

Kriteria:

 Meringkas materi kuliah Bobot:

5%

3

Mahasiswa memahami konsep peluang dan dapat menghitung peluang

Peluang

 Ruang sampel

 Peluang kejadian

 Bayes’ rule

Ref 1, Chap 2

Kuliah:

•Diskusi

•Tugas-3:

Menyusun ringkasan dlm bentuk makalah tentang peluang.

e-Learning:

peluang http://spada.uns

.ac.id

Tatap Muka [TM: 1x(1x50”)]

1x60”)]

 Mengkaji dan

mendiskusikan peluang dan interpretasinya dalam dunia nyata

 Berlatih menghitung peluang

 Ketepatan menghitung peluang (S3, S9, S10, KU 1–3 , 6–8).

Kriteria:

5%

4

Mahasiswa memahami konsep variabel acak dan distribusi peluang

Bilangan Acak dan Distribusi Peluang

 Diskrit

 Continue

Ref 1, Chap 3, 5, dan 6

Kuliah:

•Diskusi

•Tugas-4:

Menyusun makalah tentang

e-Learning:

Menggali dan merumuskan bilangan acak

Tatap Muka [TM: 1x(1x50”)]

Penugasan Terstruktur dan Belajar Mandiri

 Mengkaji dan

mendiskusikan variabel acak, distribusi peluang dan interpretasinya dalam dunia nyata

 Ketepatan menggunakan bilangan acak (S3, S9, S10, KU 1–3, 6–8).

Kriteria:

(4)

Penilaian*

dan bobot bilangan acak

dan distribusi peluang.

dan distribusi peluang http://spada.uns

.ac.id

[PT+BM:(1+1)x(

1x60”)]

 Berlatih menggunakan bilangan acak dan menghitung distribusi peluang

 Ketepatan menghitung distribusi peluang (S3, S9, S10, KU 1–3, 6–8).

 Quiz-2

Jelaskan perbedaan diskrit dan kontinyu.

Bobot:

10%

5,6,7

Mahasiswa memahami konsep distribusi sampling dan deskripsi data

Distribusi Sampling dan deskripsi data

 Random sampling

 Distribusi sampling

 Teori central limit

 Sampling distribusi S²

 Distribusi t

 Distribusi F

Ref 1, Chap 8

Kuliah:

•Diskusi

•Tugas-5:

Menyusun makalah tentang distribusi sampling dan deskripsi data.

e-Learning:

distribusi sampling dan deskripsi data http://spada.uns

.ac.id

Tatap Muka [TM: 3x(1x50”)]

1x60”)]

 Mengkaji dan

mendiskusikan random sampling dan distribusi sampling

 Ketepatan melakukan distribusi sampling (S3, S9, S10, KU 1–3, 6–8).

 Ketepatan

mendeskripsikan data (S3, S9, S10, KU 1–3, 6–

8).

Kriteria:

10%

8

UTS / Ujian Tengah Semester: melakukan validasi hasil penilaian, evaluasi dan perbaikan proses pembelajaran berikutnya.

9,10 Mahasiswa memahami konsep uji hipotesis

Uji Hipothesis

 Single sample t-test

 Paired t-test

Ref 1, Chap 8,10

Ref 2, Chap 4, 5

Ref 3, Chap 3 Ref 4, Chap 6,7,9

Kuliah:

•Diskusi

•Tugas-6:

Menyusun makalah tentang uji hipotesis.

e-Learning:

Menggali dan merumuskan uji

hipotesis http://spada.uns

.ac.id

Tatap Muka [TM: 2x(1x50”)]

1x60”)]

 Mengkaji dan mendiskusikan cara melakukan uji hipotesis

 Berlatih menghitung t- test baik dengan atau tanpa software

 Ketepatan melakukan t- test (S3, S9, S10, KU 1–3, 6–8).

Kriteria:

5%

11,12 Mahasiswa memahami konsep korelasi dan regresi

Korelasi dan regresi

 Simple linear regression (Least Square Model)

 Korelasi

Ref 1, Chap 11 Ref 2, Chap 7 Ref 3, Chap 10 Ref 4, Chap 8

Kuliah:

•Diskusi

•Tugas-7:

Menyusun makalah tentang korelasi dan regresi.

e-Learning:

Menggali dan merumuskan korelasi dan

regresi http://spada.uns

.ac.id

Tatap Muka [TM: 2x(1x50”)]

1x60”)]

 Mengkaji dan mendiskusikan korelasi dan regresi

 Berlatih menghitung regresi dengan atau tanpa software

 Ketepatan melakukan analisis korelasi (S3, S9, S10, KU 1–3, 6–8).

 Ketepatan melakukan analisis regresi (S3, S9, S10, KU 1–3, 6–8).

Kriteria:

Bobot:

10%

13 Mahasiswa memahami

konsep uji hedonik  Uji Hedonik

Kuliah:

•Diskusi

•Tugas-8:

Menyusun

e-Learning:

Menggali dan merumuskan uji

hedonik

Tatap Muka [TM: 2x(1x50”)]

Penugasan Terstruktur dan Belajar Mandiri

 Mengkaji dan mendiskusikan cara melakukan uji hedonik

 Berlatih mengolah data dengan software

 Ketepatan melakukan uji hedonik (S3, S9, S10, KU 1–3).

 Ketepatan membaca dan menginterpretasikan

Kriteria:

(5)

Penilaian*

dan bobot makalah

tentang uji hedonik.

http://spada.uns .ac.id

[PT+BM:(2+2)x(

1x60”)]

penyajian data (S3, S9,

S10, KU 1–3, 6–8). Bobot:

15%

14

Mahasiswa memahami konsep rancangan percobaan 1 faktor

Rancangana Percobaan 1 Faktor

 Anova

Kuliah:

•Diskusi

•Tugas-9:

Menyusun makalah tentang Anova.

e-Learning:

Menggali dan merumuskan rancangan percobaan 1

faktor http://spada.uns

.ac.id

Tatap Muka [TM: 2x(1x50”)]

1x60”)]

 Mengkaji dan mendiskusikan cara melakukan rancangan percobaan

 Berlatih menghitung F-test (Tabel ANOVA) baik dengan atau tanpa software

 Ketepatan melakukan penghitungan F-test, dengan atau tanpa software (S3, S9, S10, KU 1–3, 7–9).

Kriteria:

15%

15

Mahasiswa memahami konsep statistika non parametrik

Statistika Non Parametrik

Ref 1, Chap 16 Ref 2, Chap 8 Ref 4, Chap 9,10

Kuliah:

•Diskusi

•Tugas-10:

Menyusun makalah tentang statistika non parametrik.

e-Learning:

Menggali dan merumuskan statistika non parametrik http://spada.uns

.ac.id

Tatap Muka [TM: 1x(1x50”)]

1x60”)]

 Mengkaji dan mendiskusikan metode-metode dalam statistika non praametik

 Berlatih menghitung mengolah data dengan software

 Ketepatan melakukan perhitungan/olah data dengan software (S3, S9, S10, KU 1–3, 6–8).

Kriteria:

 Quiz-3

Jelaskan perbedaan parameter dan variabel.

Bobot:

10%

16

UAS / Ujian Akhir Semester: melakukan validasi penilaian akhir dan menentukan kelulusan mahasiswa.

*Kriteria Penilaian terlampir

(6)

LAMPIRAN

1. Capaian Pembelajaran Lulusan PRODI (CPL-PRODI) adalah kemampuan yang dimiliki oleh setiap lulusan PRODI yang merupakan internalisasi dari sikap, penguasaan pengetahuan dan ketrampilan sesuai dengan jenjang prodinya yang diperoleh melalui proses pembelajaran.

2. CPL yang dibebankan pada mata kuliah adalah beberapa capaian pembelajaran lulusan program studi (CPL-PRODI) yang digunakan untuk pembentukan/pengembangan sebuah mata kuliah yang terdiri dari aspek sikap dan keterampulan umum. Rumusan Sikap dan Keterampilan Umum untuk Program Diploma Tiga sesuai Lampiran Permenristekdikti No. 44 tahun 2015 tentang Stadar Nasional Pendidikan Tinggi.

3. CP Mata kuliah (CPMK) adalah kemampuan yang dijabarkan secara spesifik dari CPL yang dibebankan pada mata kuliah, dan bersifat spesifik terhadap bahan kajian atau materi pembelajaran mata kuliah tersebut.

4. Sub-CP Mata kuliah (Sub-CPMK) adalah kemampuan yang dijabarkan secara spesifik dari CPMK yang dapat diukur atau diamati dan merupakan kemampuan akhir yang direncanakan pada tiap tahap pembelajaran, dan bersifat spesifik terhadap materi pembelajaran mata kuliah tersebut.

5. Indikator penilaian kemampuan dalam proses maupun hasil belajar mahasiswa adalah pernyataan spesifik dan terukur yang mengidentifikasi kemampuan atau kinerja hasil belajar mahasiswa yang disertai bukti-bukti.

6. Kriteria Penilaian adalah patokan yang digunakan sebagai ukuran atau tolok ukur ketercapaian pembelajaran dalam penilaian berdasarkan indikator-indikator yang telah ditetapkan. Kriteria penilaian merupakan pedoman bagi penilai agar penilaian konsisten dan tidak bias. Kriteria dapat berupa kuantitatif ataupun kualitatif.

NA > 85 : A 80 < NA ≤ 85 : A- 75 < NA ≤ 80 : B+

70 < NA ≤ 75 : B 65 < NA ≤ 70 : C+

60 < NA ≤ 65 : C 55 < NA ≤ 60 : D NA ≤ 55 : E

7. Bentuk penilaian: tes dan non-tes.

8. Bentuk pembelajaran: Kuliah, Responsi, Tutorial, Seminar atau yang setara, Praktikum, Praktik Studio, Praktik Bengkel, Praktik Lapangan, Penelitian, Pengabdian Kepada Masyarakat dan/atau bentuk pembelajaran lain yang setara.

9. Metode Pembelajaran: Small Group Discussion, Role-Play & Simulation, Discovery Learning, Self- Directed Learning, Cooperative Learning, Collaborative Learning, Contextual Learning, Project Based Learning, dan metode lainnya yg setara.

RENCANA PEMBELAJARAN SEMESTER (RPS) - Spada UNS