RENCANA PEMBELAJARAN SEMESTER

Program Studi: STATISTIKA Fakultas: SAINS DAN MATEMATIKA

Mata Kuliah: Analisis Data Kode: AST21-364 SKS: 3 Semester: VI

Dosen Pengampu: Drs. Sudarno, M.Si dan Abdul Hoyyi, S.Si, M.Si
Setelah mengikuti mata kuliah ini, mahasiswa mampu:
KK1.1. Mampu menerapkan model-model Ekonometrika dalam memecahkan permasalahan ekonomi
KK2.1. Mampu menerapkan dan menganalisa rancangan-rancangan dalam perobaan
KK3.3. Mampu menganalisa data-data kesehatan terkait dengan wilayah
Capaian Pembelajaran
KK4.1. Mampu merancang pemrograman dalam metode-metode statistika
Mata Kuliah:
KK5.1. Mampu menyusun hasil kajian metode statistika dalam bentuk laporan
KK6. Mampu melakukan analisis data
PP2.3. Mampu menjelaskan dan menerapkan microsoft office dalam merumuskan masalah, analisis data,
interpretasi dan penyajian hasil
Mata kuliah ini merupakan mata kuliah yang menganalisis data dari sampel hasil penelitian atau
percobaan dalam statistika. Karena terletak pada semester lanjut, maka pembeljarannya ditekankan
pada cara menganalisis output dari hasil pengolahan perangkat lunak dalam statistika. Perangkat
lunak yang dipakai adalah SPSS, Minitab, R, dan Matlab. Dalam pembelajarannya menggunakan cara
Discovery Learning dan Problem Based Learning yang digabung dengan Simulation/Demonstration.
Deskripsi singkat Mata Untuk proses analisisnya dimulai dengan pemberian kasus, input data, komputasi, hingga keluar
Kuliah: output. Selanjutnya dilakukan analisis output dengan menggunakan konsep-konsep metode yang
relevan yang ada di statistika. Materi yang dibicarakan meliputi transformasi data, memeriksa asumsi
sebaran data, pendugaan parameter menggunakan metode kuadrat terkecil dan terboboti, pendugaan
model regresi robust, uji validitas dan reliabilitas, penyajian grafik fungsi secara simultan, persamaan
normal secara umum, aplikasi matriks pada regresi linier, regresi linier sederhana dan regresi linier
berganda serta regresi linier multivariate. Dengan materi tersebut diharapkan mahasiswa dalam

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