|
KEMENTERIAN PENDIDIKAN TINGGI, SAINS, DAN TEKNOLOGI
UNIVERSITAS NEGERI PADANG
– FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
– PROGRAM STUDI STATISTIKA (S1)
|
||||||
| RENCANA PEMBELAJARAN SEMESTER | |||||||
| MATA KULIAH (MK) | KODE | Rumpun MK | BOBOT (sks) | SEMESTER | Tgl Penyusunan | ||
| Analisis Data | STA.62.0049 | - | 1 | 2 | 7 | - | |
| OTORISASI / PENGESAHAN | Dosen Pengembang RPS | Koordinator RMK | Koordinator Prodi | ||||
| - | - | - | Dr. Yenni Kurniawati S.Si., M.Si. | ||||
| Capaian Pembelajaran |
CPL-PRODI yang dibebankan pada MK | |
| CPL | - | |
| Capaian Pembelajaran Mata Kuliah (CPMK) | ||
| CPMK 1 | Menguasai konsep dasar Analisis Data yang dapat diaplikasikan pada bidang pendidikan, pemerintahan, ekonomi, dan lingkungan | |
| CPMK 2 | Mampu menyusun dan memilih teknik analisis data yang tepat dan efisien sesuai dengan karakteristik data dan menerapkannya dalam bentuk yang tepat. | |
| CPMK 3 | Mampu melakukan manajemen dan analisis data menggunakan teknik-teknik statistika yang tepat dengan bantuan perangkat lunak. Phyton dan R. | |
| Kemampuan akhir tiap tahapan belajar (Sub-CPMK) | ||
| SUB CPMK | - | |
| Matriks CPL ke CPMK |
|
| Deskripsi Singkat Mata Kuliah |
Mata kuliah ini merupakan mata kuliah yang bertujuan untuk menganalisis data dari sampel hasil penelitian atau percobaan dalam statistika. Pembelajarannya ditekankan pada keterampilan memilih jenis analisis yang sesuai dengan karateristik data, serta bagaimana cara menganalisis menggunakan perangkat lunak statistika, yaitu: SPSS, Minitap, R, dan Phyton. Selanjutnya mahasiswa diharapkan mampu menginterpretasikan hasil analisis serta mengumunikasikan baik secara lisan maupu tertulis. Untuk proses analisisnya dimulai dengan pemberian kasus, input data, komputasi, hingga menghasilkan output, dan pembuatan laporan. Materi yang dibahas dalam mata kuliah ini adalah: Manipulasi Data: Sampel acak, tipe data, ringkasan data, diagnostic dan transformasi data; Tahapan Analisis Data: Business understanding, telaah kebutuhan data, pengumpulan data, memahami data, cleaning data, visualisasi data, analisis data, evaluasi hasil analisis, dan interpretasi hasil analisis; Visualisasi Data: Visualisasi univarat, bivariat, dan multivariat; Inferensi Statistika: Penduggan titik, pendugaan selang, dan uji hipotesis; Supervised learning: Regresi linier sederhana, regresi terboboti, analisis korelasi, regresi linier berganda, Anova untuk predictor kualitatif; Supervised learning – Clasifikasi: Regresi logistik, analisis diskriminan, Naïve Bayes classifiers, k-Nearest neighbor classifiers, decession tree, dan random forest; Unsupervised learning – Reduksi Dimensi: Analisis komponen utama, analisis faktor, analisis korelasi kanonik; dan Unsupervised learning: Analisis cluster dan Asosiasi. |
| Pustaka | Utama: |
| - | |
|
Pendukung: (Jika diperlukan)
-
|
|
| Dosen Pengampu |
- |
| Mata kuliah syarat |
- |
| Minggu Ke- | SUB-CPMK (Kemampuan Akhir Yang Diharapkan) | Penilaian | Bentuk Pembelajaran, Metode Pembelajaran, Penugasan Mahasiswa [Estimasi Waktu] |
Materi Pembelajaran [Rujukan] |
Bobot Penilaian (%) |
||
|---|---|---|---|---|---|---|---|
| Indikator | Teknik & Kriteria | Luring (Tatap Muka) | Daring (Online) | ||||
| - | - | - | - | - | - | - | 0 |
| UTS | |||||||
| UAS | |||||||