130
menganalisis data mampu melakukan komputasi dan memberi hasil keputusan berdasarkan staistika
yang benar. Hasil ini diharapkan berimplikasi memudahkan dalam mengolah data pada tugas akhir
kelak.
1 2 3 4 5 6 7
Kemampuan akhir Penilaian
Minggu Bahan Kajian/ Metode Waktu Pengalaman Belajar
tiap tahapan Bobot
ke Pokok Bahasan Pembelajaran (menit) Mahasiswa Kriteria & Indikator
pembelajaran (%)
Ceramah
Discovery
Praktik contoh Kecermatan dalam
Mahasiswa mampu Kontrak kuliah Learning TM: 150
Soal memilih
1 menggunakan Transformasi Problem Based KT : 180 6
transformasi data
Diskusi transformasi data
Data Learning KM : 180
Simulasi contoh dengan benar
Simulasi
soal
Bentuk Umum Discovery
Ceramah Kelengkapan
Mahasiswa mampu Transformasi Learning
TM: 150 Praktik tugas melakukan
menerapkan Box-Cox Problem Based
2 KT : 180 Diskusi transformasi Box- 7
Transformasi Box- Prosedur Learning
Cox KM : 180 Simulasi/demon Cox dengan benar
Transformasi Simulasi /
strasi tugas minimal 70%
Box-Cox Demonstrasi
Kelengkapan
Uji Asumsi membuat diagram
sebaran Data Discovery Ceramah kotak-garis
Mahasiswa mampu menggunakan Learning TM: 150 Latihan soal dengan menarik
3 menguji asumsi Diagram Kotak- Problem Based KT : 180 Diskusi minimal 70% 7
sebaran data Garis Learning KM : 180 Presentasi tugas Kelengkapan
Plot Kuantil- Simulasi Simulasi tugas membuat plot
kuantil kuantil-kuantil
dengan baik
Mahasiswa mampu Pendugaan Discovery Ceramah Ketelitian dalam
TM: 150
menjelaskan Rataan Learning Kuis menduga nilai
4 KT : 180 8
pendugaan rataan Pendugaan Problem Based Diskusi rataan dan selang
dan selang KM : 180
Selang Learning Demonstrasi kepercayaanya
131
kepercayaannya Kepercayaan Demonstrasi latihan soal dengan eksak
Metode
Kuadrat Mampu
Terkecil Discovery Ceramah melakukan
Mahasiswa mampu Komputasi Learning TM: 150 Diskusi komputasi
5 menerapkan metode Metode Problem Based KT : 180 Presentasi tugas koefisien 7
kuadrat terkecil Kuadrat Learning KM : 180 Demonstrasi persamaan normal
Terkecil pada Demonstrasi tugas dengan benar
Regresi Linier minimal 70%
Berganda
Metode
Kuadrat Ceramah Mampu
Discovery
Terkecil Latihan soal melakukan
Learning
Mahasiswa mampu Terboboti TM: 150 Diskusi komputasi
Problem Based
6 menerapkan metode Penerapan KT : 180 Presentasi tugas koefisien 7
kuadrat terkecil
Learning
Metode KM : 180 Simulasi / persamaan normal
terboboti Simulasi /
Kuadrat demonstrasi dengan benar
Demonstrasi
Terkecil tugas minimal 70%
Terboboti
Mampu
membedakan
Ceramah macam-macam
Discovery
Mahasiswa mampu Pengertian Diskusi regresi robust
Learning TM: 150
memilih dan Regresi Robust Presentasi dengan jelas
7 Problem Based KT : 180 8
menerapkan regresi Macam-macam problem Ketepatan
robust Learning KM : 180
Regresi Robust Simulasi mencari koefisien
Simulasi
problem dari regresi robust
dengan teliti
minimal 70%
8 Ujian Tengah Semester
Mahasiswa mampu Discovery Ceramah Kelengkapan
TM: 150
membedakan uji Uji Validitas Learning Simulasi contoh membuat uji
9 KT : 180 7
validitas dan uji Uji Reliabilitas Problem Based soal validitas dan
reliabilitas KM : 180
Learning Diskusi reliabilitas dengan
132
Simulasi / Demonstrasi benar
Demonstrasi problem
Discovery Ceramah
Mahasiswa mampu Ketertiban
Learning TM: 150 Latihan soal
melakukan uji Analisis Uji menguji hipotesis
10 Problem Based KT : 180 Diskusi 6
hipotesis secara Hipotesis dengan urut dan
statistika Learning KM : 180 Demonstrasi
benar
Demonstrasi problem
Ceramah Mampu membuat
Fungsi Linier Discovery
Mahasiswa mampu Latihan soal grafik dari fungsi
dan Nonlinier Learning
membuat grafik TM: 150 Simulasi soal linier dan nonlinier
Penyajian Problem Based
11 fungsi secara KT : 180 Diskusi menggunakan R 8
simultan dengan R
Grafik Fungsi Learning
KM : 180 Presentasi tugas dan Matlab
dan Matlab manggunakan Simulasi /
Demonstrasi dengan tepat
R dan Matlab Demonstrasi
tugas minimal 70%
Mampu mencari
Persamaan
koefisien
Mahasiswa mampu Normal pada Discovery Ceramah
persamaan normal
mengkonstruksi Regresi Linier Learning TM: 150 Response
baik untuk regresi
12 persamaan normal Persamaan Problem Based KT : 180 Diskusi 7
dari regresi linier dan
linier maupun
Normal pada Learning KM : 180 Presentasi tugas
nonlinier regresi nonlinier
Regresi Simulasi Simulasi tugas
dengan baik
Nonlinier
minimal 70%
Penyajian Ceramah
Ketelitian
Mahasiswa mampu Data Model Discovery Latihan problem
melakukan
melakukan Linier Umum Learning TM: 150 Diskusi
komputasi
13 komputasi model dalam Matriks Problem Based KT : 180 Presentasi 7
linier umum dengan
menggunakan
Pembuatan Learning KM : 180 problem
matriks matriks dengan
Model Linier Demonstrasi Demonstrasi
tepat
dalam Matriks problem
Mahasiswa mampu Analisis Discovery Ceramah Kelengkapan
menganalisis olahan Regresi Linier Learning TM: 150 Latihan soal menganalisis
14 dari regresi linier Sederhana Problem Based KT : 180 Diskusi olahan regresi 8
sederhana dan dan Berganda Learning KM : 180 Simulasi / linier sederhana
berganda menggunakan Simulasi / demonstrasi dan berganda
133
R Demonstrasi soal dengan teliti
Regresi Linier
Discovery Ceramah Kejelasan
Mahasiswa mampu Multivariat
Learning Praktik problem menganalisis
menjelaskan dan Analisis TM: 150
Problem Based Diskusi oalahan regresi
15 menganalisis olahan Regresi Linier KT : 180 7
regresi linier
Learning Simulasi / linier mulivariat
Multivariat KM : 180
multivariat Simulasi / demonstrasi dengan benar
menggunakan
Demonstrasi problem minimal 70%
R
16 Ujian Akhir Semester
Jumlah 100
1. Aunuddin, Analisis Data, Depdikbub Dirjen Pusat antar Universitas Ilmu Hayat, IPB, Bogor, 1989.
2. Aunuddin, Rancangan dan Analisis Data, IPB Press, Bogor, 2005.
3. Chapra, S.C., Applied Numerical Methods with MATLAB for Engineers and Scientists, Second Edition,
McGraw-Hill, Inc., New York, 2008.
4. Crawley, M.J., The R Book, John Wiley & Sons, Ltd., London, 2007.
5. Draper, N.R. and Smith, H., Applied Regression Analysis, Third Edition, John Wiley & Sons, Inc., New
York, 1998.
8. Referensi: 6. Johnson, R.A. and Wichern, D.W., Applied Multivariate Statistical Analysis, Sixth Edition, Pearson
Education, Inc., Canada, 2007.
7. Montgomery, D.C. and Runger, G.C., Applied Statistics and Probability for Engineers, Fourth Edition,
John Wiley & Sons, Inc., New York, 2007.
8. Moore, H., MATLAB for Engineers, Perason Prentice Hall, Inc., New Jersey, 2007.
9. Srivastava, M.S., Methods of Multivariate Statistics, John Wiley & Sons, Inc., New York, 2002.
10. Suliyanto, Analisis Data dalam Aplikasi Pemasaran, Ghalia Indonesia, Bogor, 2005.
11. Umar, H., Metode Riset Perilaku Konsumen Jasa, Ghalia Indonesia, Jakarta, 2003.
134