Portofolio Perkuliahan

UNIVERSITAS BRAWIJAYA
FAKULTAS MIPA
JURUSAN STATISTIKA / PROGRAM STUDI SARJANA
STATISTIKA
Mata Kuliah: Kode: RMK: Semester:
Pengantar Model Linier MAS61123 Ganjil
Dosen Dr. Dra. Ani Budi Astuti, M.Si
Pendahuluan
Mata kuliah Pengantar Model Linier yang biasa dikenal di kalangan mahasiswa dengan
singkatan mata kuliah PML merupakan salah satu mata kuliah wajib di Jurusan Statistika
FMIPA Universitas Brawijaya. Mata kuliah PML memiliki tiga mata kuliah prasyarat, yaitu:
Pengantar Analisis Regresi (MAS62122), Pengantar Rancob (MAS61212), dan Metode
Statistika II (MAS62121) dengan bobot 3 sks dan mahasiswa melakukan aktifitas responsi
yang dipandu oleh asisten responsi. Mata kuliah ini adalah salah satu Mata Kuliah yang
banyak membahas kajian teoritis tentang pemodelan linier. Mata kuliah ini perlu strategi
khusus dalam penyampaiannya agar menarik dan mudah dipahami mahasiswa. Kombinasi
penyampaian materi secara teoritis dan kajian terapan tetap harus dilakukan agar mahasiswa
mampu memahami dengan baik Mata Kuliah ini. Terapan-terapan pada berbagai bidang dapat
dikaitkan dengan Mata Kuliah ini, seperti pemodelan linier pada bidang Kesehatan, bidang
Sosial dan Ekonomi, bidang Biologi, bidang Kimia, bidang Fisika, bidang Matematika, bidang
Teknik, dan bidang lainnya. Hal ini penting dipahami mahasiswa agar mampu mengkaitkan
kajian teoritis sebagai kompetensi utama dari Mata Kuliah ini dengan kasus terapannya agar
Mata Kuliah ini menjadi menarik dan mudah dipahami. Seringkali mahasiswa kurang tertarik
pada sistem pengajaran yang sangat teoritis, namun konsep dasar teori PML harus dikuasai
dengan baik oleh mahasiswa, sehingga cara mengajar kombinasi antara teori dan terapan dari
mata kuliah ini harus diterapkan. Mata kuliah Statistika yang banyak dibumbui rumus-rumus
matematis memerlukan cara jitu untuk memahamkan kepada mahasiswa, yaitu dengan cara
memberi ilustrasi menarik pada kasus terapan yang sedang up to date baru kemudian dibawa
ke ranah teori. Sistem pengajaran dengan strategi yang jitu tetap harus terus dikembangkan
mengingat kondisi kemajuan terus berubah apalagi menghadapi mahasiswa-mahasiswa zaman
milenia yang kemampuan IT-nya sangat baik. Keberhasilan pembelajaran kepada mahasiswa
juga sangat ditunjang dengan kemampuan dasar dan kemauan belajar yang tinggi dari
mahasiswa, sehingga motivasi, komitmen dan sikap mahasiswa mengikuti mata kuliah PML
juga perlu terus didorong agar tercapai tujuan pembelajaran yang ingin dicapai. Selain itu,
bekal mahasiswa dari mata kuliah-matakuliah pendukung PML ini juga harus baik, yaitu
Pengantar Analisis Regresi, Pengantar Rancob, dan Metode Statistika II sebagai tiga mata
kuliah prasyarat untuk dapat mengikuti mata kuliah PML ini.

1 Tujuan
Tujuan Umum:

P2RP-LP3M UB
 Mata Kuliah ini diajarkan agar mahasiswa mampu memahami dan menjelaskan konsep-
konsep dasar aljabar matriks, memahami dan menjelaskan distribusi bentuk kuadrat dan
memiliki ketrampilan menangani model kuadrat, memahami dan menjelaskan prinsip
kuadrat terkecil dan umum, memiliki ketrampilan menangani model non singular (model
berpangkat penuh/model regresi) dan sekaligus melakukan pendugaan parameter dan
pengujian hipotesis, memiliki ketrampilan menangani model singular (model berpangkat
tidak penuh/model anova) dan sekaligus melakukan pendugaan parameter dan pengujian
hipotesis, menjelaskan prinsip-prinsip galat bersyarat, penguraian jumlah kuadrat serta
memahami penggunaannya pada rancangan kelompok tidak lengkap, data tak
berimbang, memiliki ketrampilan menghitung nilai duga parameter dan melakukan
pengujian hipotesis model campuran, memiliki ketrampilan menghitung nilai duga
parameter dan melakukan pengujian hipotesis model linier umum keluarga distribusi
eksponensial.

Mata Kuliah PML diajarkan untuk mendukung Capaian Pembelajaran Program Studi
(Intended Learning Outcome - ILO) sebagai berikut:
 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 4:
Menguasai minimal dua perangkat lunak statistika, termasuk yang berbasis open
source
 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 8:
Mampu menerapkan dan menginternalisasi semangat kemandirian, kejuangan,
kewirausahaan berdasarkan nilai, norma, dan etika akademik serta nilai Pancasila
dalam segala aspek kehidupan

Selanjutnya, Mata Kuliah PML memiliki capaian pembelajaran Mata Kuliah (Course
Learning Outcome - CLO) sebagai berikut:
 CLO 1:
Mahasiswa mampu memahami dan menjelaskan konsep-konsep dasar aljabar
matriks

P2RP-LP3M UB
  CLO 2:
Mahasiswa mampu memahami dan menjelaskan distribusi bentuk kuadrat dan
memiliki ketrampilan menangani model kuadrat

 CLO 3:
Mahasiswa mampu memahami dan menjelaskan prinsip kuadrat terkecil dan
umum
 CLO 4:
Mahasiswa mampu memiliki ketrampilan menangani model non singular (model
berpangkat penuh/model regresi) dan sekaligus melakukan pendugaan parameter
dan pengujian hipotesis
 CLO 5:
Mahasiswa mampu memiliki ketrampilan menangani model singular (model
berpangkat tidak penuh/model anova) dan sekaligus melakukan pendugaan
parameter dan pengujian hipotesis
 CLO 6:
Mahasiswa mampu menjelaskan prinsip-prinsip galat bersyarat, penguraian
jumlah kuadrat serta memahami penggunaannya pada rancangan kelompok tidak
lengkap, data tak berimbang
 CLO 7:
Mahasiswa mampu memiliki ketrampilan menghitung nilai duga parameter dan
melakukan pengujian hipotesis model campuran
 CLO 8:
Mahasiswa mampu memiliki ketrampilan menghitung nilai duga parameter dan
melakukan pengujian hipotesis model linier umum keluarga distribusi
eksponensial

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 Mata Kuliah Statistika
Pengendalian Mutu dan ILO yang disajikan pada Tabel 1.
Tabel 1. Matriks Hubungan antara CLO dan ILO Mata Kuliah Pengantar Model Linier
ILO1 ILO2 ILO3 ILO4 ILO5 ILO6 ILO7 ILO8
CLO1 0,3 0 0 0 0,4 0 0 0,3
CLO2 0,3 0 0 0 0,4 0 0 0,3
CLO3 0,2 0 0,2 0,2 0,2 0 0 0,2
CLO4 0,2 0 0,2 0,2 0,2 0 0 0,2
CLO5 0,2 0 0,2 0,2 0,2 0 0 0,2
CLO6 0,2 0 0,2 0,2 0,2 0 0 0,2
CLO7 0,2 0 0,2 0,2 0,2 0 0 0,2
CLO8 0,2 0 0,2 0,2 0,2 0 0 0,2

P2RP-LP3M UB
2 Strategi Pembelajaran
Perkuliahan ini menyajikan materi yang kompetensinya lebih mengarah kepada teori
matematis, namun cara penyajiannya tetap dilakukan dengan cara mengkombinasikan
antara materi yang bersifat teori matematis (kompetensi utama) dan materi terapan pada
kasus permasalahan data riil untuk memudahkan pemahaman mahasiswa. Beberapa
strategi pembelajaran yang digunakan agar mahasiswa mampu menguasai konsep teori
dan aplikasinya dengan baik, cara yang dilakukan sebagai berikut:
 Menyediakan materi kuliah dalam bentuk PPT dan file PDF sebelum perkuliahan
berlangsung dan diberikan kepada mahasiswa melalui PJ kelas yang telah
ditunjuk melalui media email/whatsapp/google classroom
 Menyapa mahasiswa dan menanyakan kabarnya, baik tentang kesehatannya,
kondisi psikologisnya, motivasi belajarnya dan lain sebagainya sebagai upaya
untuk membuat rileks mahasiswa dalam mengikuti kuliah serta diberikan cerita-
cerita motivasi yang menarik dan menyenangkan, sehingga mahasiswa tergugah
dan senang mengikuti mata kuliah ini yang cenderung bersifat materi teori
matematis.
 Menyajikan materi secara detil, menyajikan rumus - rumus secara lengkap
dengan penjelasan yang dapat diikuti secara mandiri, disertai ilustrasi-ilustrasi
kasus riil yang update dan menarik agar mahasiswa dapat menyatukan konsep
teori sebagai kompetensi utama dengan terapannya serta mudah dipahami.
 Menyajikan materi di depan kelas dengan cara elaborasi detil seluruh teori yang
disajikan pada PPT 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, baik teorinya maupun terapannya.
 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 lainnya.
 Secara berkala, memberikan post test (satu atau dua kasus relevan) untuk
mengukur pemahaman akan materi yang sudah disajikan. Beda dengan sesi
latihan, pada sesi post test ini mahasiswa benar – benar harus berusaha
mengerjakan sendiri kasus yang diberikan, walaupun masih diperbolehkan untuk
membuka catatan.
 Memberikan tugas untuk kasus yang memerlukan banyak waktu untuk elaborasi,
sehingga harus dikerjakan di rumah. Tugas dikerjakan secara mandiri di rumah,
dengan masih memungkinkan untuk mengakses materi/catatan.
 Menjelaskan ulang bagian-bagian yang dirasa kurang dipahami (dari hasil post
test atau tugas yang telah diberikan) pada pertemuan berikutnya.
 Mengaktifkan peran asisten untuk memberi penjelasan dan latihan-latihan
tambahan melalui modul-modul responsi kepada mahasiswa pada sesi
pelaksanaan responsi.

P2RP-LP3M UB
3 Pengelolaan Perkuliahan
Mata kuliah ini adalah mata kuliah 3 sks disertai dengan aktifitas responsi. Pertemuan
kuliah terjadwal satu minggu sekali (3 kali 50 menit) selama 14 minggu perkuliahan dan
8 kali pertemuan responsi yang dibimbing oleh asisten responsi (masing – masing waktu
pertemuan responsi selama 60 menit). Untuk pelaksanaan UTS dilakukan secara
terjadwal setelah 7 kali pertemuan kuliah, yaitu dilaksanakan pada minggu ke-8 dan
minggu ke-9 dan kegiatan UAS juga dilaksanakan secara terjadwal setelah pertemuan
kuliah ke 14.
Perkuliahan:
- Jadwal: Pertemuan dijadwalkan setiap hari Rabu, pukul 13.00 – 15.30 WIB.
- Pada setiap pertemuan, mengingat materi perkuliahan yang menuntut konsentrasi
tinggi dari mahasiswa, dosen menyajikan materi pada dua sks pertama (100
menit). Kemudian, waktu 50 menit dari satu sks terakhir sisanya digunakan
dosen untuk melatih mahasiswa, yaitu memberikan latihan-latihan kasus untuk
menerapkan konsep yang sudah dijelaskan pada kasus yang berbeda serta diskusi
kelas dan secara berkala (kadang-kadang) dari sekitar 50 menit terakhir itu, 30
menitnya dimanfaatkan dosen untuk mengerjakan post test.
- Setiap pertemuan kuliah mempunyai capaian pembelajaran yang spesifik sesuai
materi-materi yang harus disampaikan kepada mahasiswa. Untuk mengukur
ketercapaiannya, telah dirancang berbagai pemberian post test atau tugas-tugas,
baik tugas secara mandiri maupun berkelompok. Hasil post test atau tugas-tugas
tersebut dijadikan bahan evaluasi untuk mengulang bagian – bagian yang dirasa
perlu sebagai bahan untuk pertemuan selanjutnya. Sesuai yang dirancang dosen
pada RPS, untuk Mata Kuliah ini diberikan beberapa assessment dengan materi
dan bobot setiap assessment terhadap nilai akhir Mata Kuliah seperti yang
disajikan pada Tabel 2. Ada beberapa assessment yang bentuk penilaiannya
dikerjakan secara mandiri oleh mahasiswa, seperti UTS, UAS, Quiz 1 dan Quiz 2
ataupun Post Test, sedangkan tugas-tugas ada yang dilakukan secara mandiri
ataupun berkelompok.

Responsi:
- Asisten responsi yang membimbing kelas responsi SPM kelas A adalah:
Mochammad Zainal Arifin dan Iqbal Julianto
- Responsi diselenggarakan di kelas karena tidak memerlukan software statistika
dalam melakukan analisis kasus-kasus yang diberikan sesuai dengan panduan
modul responsi.
- Responsi dilaksanakan dengan tujuan pemantapan materi yang telah diberikan
dosen di kelas melalui sesi diskusi dengan asisten responsi dan latihan pengayaan
soal sesuai dengan panduan pada modul responsi.
- Materi pada setiap minggunya yang tertera pada modul responsi adalah hasil
diskusi dengan dosen sesuai dengan kecepatan penyampaian materi perkuliahan
setiap minggunya.

P2RP-LP3M UB
 - Jadwal responsi dilaksanakan setiap minggu sebanyak satu kali dan setiap
pertemuan responsi dilakukan selama 60 menit.
- Responsi diselenggarakan sebanyak 8 kali dalam satu semester dan baru dapat
dimulai pada minggu ke-5 perkuliahan (kebijakan PS untuk memberi waktu
dalam penjaringan asisten responsi dan akumulasi materi yang diberikan oleh
dosen kepada mahasiswa) dan responsi tidak dilaksanakan selama minggu UTS
(minggu ke-8 dan minggu ke-9) dengan rincian meteri setiap minggunya sebagai
berikut:
1. Minggu ke-5:
Aljabar matriks, distribusi kuadrat, Uji hipotesis parameter model, selang
kepercayaan
2. Minggu ke-6:
Model non singular (model berpangkat penuh/model regresi), pendugaan
parameter dan pengujian hipotesis
3. Minggu ke-7:
Model singular (model berpangkat tidak penuh/model anova), pendugaan
parameter dan pengujian hipotesis
4. Minggu ke-10: Ujian Tengah Responsi (UTR)
5. Minggu ke-11:
Penguraian jumlah kuadrat pada rancangan kelompok dan penguraian jumlah
kuadrat pada rancangan kelompok tidak lengkap, data tak berimbang
6. Minggu ke-12:
Model campuran, pendugaan parameter dan pengujian hipotesis
7. Minggu ke-13:
Model linier umum keluarga distribusi eksponensial, pendugaan parameter
dan pengujian hipotesis
8. Minggu ke-14: Ujian Akhir Responsi (UAR)

4 Isi Perkuliahan
Isi perkuliahan dari PML dapat dijabarkan sebagai berikut:
1. Konsep-Konsep dasar aljabar matriks
2. Model kuadrat dan distribusi bentuk kuadrat
3. Prinsip kuadrat terkecil dan umum
4. Model non singular (model berpangkat penuh/model regresi), pendugaan parameter
dan pengujian hipotesis
5. Model singular (model berpangkat tidak penuh/model anova), pendugaan parameter
dan pengujian hipotesis
6. Prinsip galat bersyarat, penguraian jumlah kuadrat, penggunaan pada rancangan
kelompok tidak lengkap, data tak berimbang
7. Model campuran, pendugaan parameter dan pengujian hipotesis

8. Model linier umum keluarga distribusi eksponensial dan pengujian hipotesisnya

P2RP-LP3M UB
 Kesesuaian antara materi perkuliahan yang dirancang pada kurikulum dengan
prakteknya dapat dilihat secara lengkap pada Lampiran 1.

5 Peserta Kuliah
Mata kuliah ini adalah mata kuliah wajib semester V yang diikuti oleh Mahasiswa
Program Studi Sarjana Statistika FMIPA Universitas Brawijaya untuk angkatan tahun
2015 dan angkatan tahun 2016. Untuk Mata Kuliah Pengantar Model Linier Kelas C
diikuti oleh 30 mahasiswa, angkatan tahun 2015 sebanyak 1 orang dan angkatan tahun
2016 sebanyak 29 orang.

6 Persentase Kehadiran
Persentase kehadiran dosen di kelas adalah 100%, kehadiran mahasiswa di kelas kuliah
dosen pada rentang 78,57%-100%, dan kehadiran mahasiswa di kelas responsi pada
rentang 80%-100%.

7 Sistem Evaluasi
- Evaluasi per minggu melalui tugas dan secara berkala pada kegiatan post test.
Tujuan dari evaluasi ini adalah untuk menggali pemahaman mahasiswa terhadap
materi kuliah yang telah diberikan oleh dosen, apakah sudah sesuai dengan
tujuan perkuliahan di setiap minggu/pertemuan kuliahnya. Hasil dari post test
dan tugas-tugas yang diberikan dimanfaatkan oleh dosen untuk membahas ulang
materi yang dirasa kurang pemahamannya oleh mahasiswa.
- Evaluasi beberapa materi melalui Quiz untuk mengukur pemahaman materi dari
3 atau 4 pertemuan kuliah atau beberapa pertemuan sekaligus. Tipe soal Quiz
menyerupai soal UTS dan UAS, sehingga mahasiswa mempunyai gambaran yang
baik mengenai persiapan menghadapi UTS dan UAS. Hanya saja untuk kegiatan
Quiz, mahasiswa masih diberi kesempatan membuka catatan (open resume).
- Evaluasi materi sampai dengan tengah semester melalui kegiatan UTS yang
diselenggarakan secara terjadwal pada minggu ke-8 dan minggu ke-9 selama 2
minggu dan pada 2 minggu ini penyelenggaraan kuliah libur.
- Evaluasi materi setelah tengah semester sampai dengan akhir semester melalui
kegiatan UAS yang diselenggarakan secara terjadwal setelah semua rangkaian
kegiatan kuliah dan UTS telah berakhir.
- Evaluasi hasil responsi yang diberikan oleh asisten responsi diberikan kepada
dosen pengampu Mata Kuliah dan menjadi salah satu komponen penilaian akhir
dari Mata Kuliah SPM. Aspek penilaian responsi adalah keaktifan dan
pemahaman materi dari tugas – tugas pengayaan yang diberikan oleh asisten
responsi, yaitu: tugas-tugas, presensi, UTR dan UAR. Asisten responsi dalam
menentukan tipe soal pada tugas-tugas pengayaan dan soal-soal pada UTR dan
UAR dilakukan dengan berkonsultasi terlebih dahulu dengan dosen pengampu
Mata Kuliah.
Pada minggu-minggu UTS dan minggu UAS seluruh kegiatan perkuliahan diliburkan,
sehingga mahasiswa dapat berkonsentrasi penuh untuk menghadapi kegiatan UTS dan

P2RP-LP3M UB
 UAS.
Soal untuk seluruh tipe evaluasi dibuat standar/sama untuk kelas pararel yang
merupakan hasil diskusi dari tim pengajar. Materi yang dievaluasi untuk setiap
asessment dan bobotnya dapat dilihat pada Tabel 2.
Tabel 2. Assessment dan Materi yang Diukur, serta Pembobotan setiap Assessment
terhadap nilai akhir dan Capaian Pembelajaran Mata Kuliah (Course Learning Outcome
– CLO)
Bobot CLO CLO CLO CLO CLO CLO CLO CLO
Assess terhadap 1 2 3 4 5 6 7 8
Materi
ment Nilai
Bobot Assessment terhadap CLO (Course Learning Outcome)
Akhir
Konsep-
Konsep
dasar aljabar
matriks,
Model
kuadrat dan
T1 distribusi 0,05 0,5 0,5 0 0 0 0 0 0
bentuk
kuadrat, dan
Prinsip
kuadrat
terkecil dan
umum
Model non
singular
(model
berpangkat
penuh/model
regresi),
pendugaan
parameter
dan
pengujian
hipotesis
T2 dan Model 0,05 0 0 0,5 0,5 0 0 0 0
singular
(model
berpangkat
tidak
penuh/model
anova),
pendugaan
parameter
dan
pengujian
hipotesis

P2RP-LP3M UB
 Prinsip galat
bersyarat,
penguraian
jumlah
kuadrat,
penggunaan
pada
rancangan
kelompok
tidak
lengkap,
data tak
berimbang,
Model
T3 0,05 0 0 0 0 0,25 0,25 0,25 0,25
campuran,
pendugaan
parameter
dan
pengujian
hipotesis ,
dan Model
linier umum
keluarga
distribusi
eksponensial
dan
pengujian
hipotesisnya
Konsep-
Konsep
dasar aljabar
matriks,
Model
kuadrat dan
distribusi
bentuk
kuadrat,
Prinsip
kuadrat
terkecil dan
Quiz 1 0,1 0,5 0,5 0 0 0 0 0 0
umum,
Model non
singular
(model
berpangkat
penuh/model
regresi),
pendugaan
parameter
dan
pengujian
hipotesis

P2RP-LP3M UB
 dan Model
singular
(model
berpangkat
tidak
penuh/model
anova),
pendugaan
parameter
dan
pengujian
hipotesis
Prinsip galat
bersyarat,
penguraian
jumlah
kuadrat,
penggunaan
pada
rancangan
kelompok
tidak
lengkap,
data tak
berimbang,
Model
Quiz 2 0,1 0 0 0,5 0,5 0 0 0 0
campuran,
pendugaan
parameter
dan
pengujian
hipotesis ,
dan Model
linier umum
keluarga
distribusi
eksponensial
dan
pengujian
hipotesisnya
Semua
Responsi Materi 0,1 0,125 0,125 0,125 0,125 0,125 0,125 0,125 0,125
Kuliah PML

P2RP-LP3M UB
 Konsep-
Konsep
dasar aljabar
matriks,
Model
kuadrat dan
distribusi
bentuk
kuadrat,
Prinsip
kuadrat
terkecil dan
umum,
Model non
singular
(model
berpangkat
penuh/model
UTS 0,25 0,25 0,25 0,25 0,25 0 0 0 0
regresi),
pendugaan
parameter
dan
pengujian
hipotesis
dan Model
singular
(model
berpangkat
tidak
penuh/model
anova),
pendugaan
parameter
dan
pengujian
hipotesis

P2RP-LP3M UB
 Prinsip galat
bersyarat,
penguraian
jumlah
kuadrat,
penggunaan
pada
rancangan
kelompok
tidak
lengkap,
data tak
berimbang,
Model
UAS 0,3 0 0 0 0 0,25 0,25 0,25 0,25
campuran,
pendugaan
parameter
dan
pengujian
hipotesis ,
dan Model
linier umum
keluarga
distribusi
eksponensial
dan
pengujian
hipotesisnya

8 Pengamatan Kelas
Pada kegiatan perkuliahan, dosen secara aktif berinteraksi dengan mahasiswa dan
melakukan beberapa cara agar mahasiswa dapat berpartisipasi aktif dan baik pada
perkuliahan yang dilakukan melalui beberapa pengajuan pertanyaan yang disampaikan
maupun bersedia maju ke depan untuk menyelesaikan kasus yang diberikan di white
board. Sayangnya mahasiswa yang berpartisipasi aktif ini hanya sekitar 40% dari jumlah
mahasiswa yang mengikuti kuliah PML di Kelas C, yaitu kurang lebih sebanyak 12
mahasiswa. Hal ini ditunjukkan secara tidak langsung oleh mahasiswa melalui pola di
dalam pengaturan tempat duduk mahasiswa di dalam kelas. Sebanyak 40% mahasiswa
dalam kategori aktif ini adalah mahasiswa yang duduk di barisan-barisan terdepan di
kelas, sedangkan mahasiswa yang duduk dibarisan-barisan belakang teramati lebih
bersifat pasif dan kurang perhatian pada saat kuliah. Beberapa pengamatan bagi
mahasiswa yang bersifat pasif ini terlihat beberapa ciri sebagai berikut: berpandangan
kosong di kelas, melamun, tidak ada respon ketika diminta informasi mengenai
pemahaman dari materi yang diberikan dan bahkan ada beberapa mahasiswa yang
mengantuk dan tertidur pada saat mengikuti kuliah. Ada juga mahasiswa yang hanya
sebagai “penonton” dari penjelasan dan penurunan rumus yang dilakukan dosen di white
board, tanpa membuat catatan atau mencoba sendiri, bahkan ada di antara mahasiswa
yang tidak membuka catatan apapun di atas bangku kuliah/kursi kuliah. Untuk

P2RP-LP3M UB
 mengantisipasi kecepatan pemahaman yang tidak seragam, maka dosen mengatur ulang
waktu penyampaian sesuai dengan observasi mengenai pemahaman mahasiswa. Oleh
sebab itu ada beberapa materi yang diundurkan waktu penyampaiannya pada minggu
setelah jadwal yang seharusnya, tanpa mengurangi keseluruhan materi yang harus
disampaikan. Sebab lain yang terjadi, karena kompetensi utama Mata Kuliah ini bersifat
teoritis, sehingga mahasiswa membutuhkan waktu cukup lama untuk bias memahami
dengan baik dari materi yang diberikan dosen pengampu.

9 Hasil Belajar
Hasil belajar setiap mahasiswa tercermin dari nilai di setiap assessment. Nilai – nilai
tersebut dengan bobotnya masing – masing diolah menjadi nilai akhir yang nantinya
sesuai dengan aturan konversi dan 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 tiga yang merepresentasikan setiap CLO dan lintasan segi
tiga terluar menunjukkan capaian yang paling tinggi. Semakin luar posisi garis biru,
maka semakin tinggi indeks capaian dari suatu CLO.
Tabel 3. Deskripsi Nilai dan Kategori Capaian untuk Setiap CLO Mata Kuliah
Pengantar Model Linier Kelas C
CLO1 CLO2 CLO3 CLO4 CLO5 CLO6 CLO7 CLO8
Rata - rata 75,98 75,98 73,29 73,29 72,27 72,27 72,27 72,27
SATIS SATISF SATISF SATISF SATISF SATISF SATISF SATISF
Kategori
FAC AC AC AC AC AC AC AC
Capaian
TORY TORY TORY TORY TORY TORY TORY TORY
Banyaknya 31 31 30 30 30 30 30 30
mahasiswa
dengan
CLO>60
Persentase 96,88 96,88 93,75 93,75 93,75 93,75 93,75 93,75
mahasiswa
dengan
CLO>60
Kategori HIGH HIGH HIGH HIGH HIGH HIGH HIGH HIGH
Persentase

Tabel 4. Kategori nilai CLO/ILO dan Kategori Persentase Mahasiswa yang Mencapai
CLO/ILO > 60
Kategori Nilai CLO/ILO Kategori Persentase Mahasiswa 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

P2RP-LP3M UB
 0<= Skor <50 UNSATISFACTORY Persen < 50 VERY LOW

Gambar 1. Visualisasi (a) Indeks Capaian dan (b) Presentasi Mahasiswa dengan Capaian
> 60 di setiap CLO Mata Kuliah Pengantar Model Linier Kelas C

Sesuai dengan kategori capaian yang disajikan pada Tabel 4 dapat disimpulkan beberapa
hal berikut ini:
- Semua CLO pada Mata Kuliah PML Kelas C secara rata – rata mencapai nilai
satisfactory, yaitu rata – rata nilai di atas 72 tetapi tidak lebih dari 80.
- Persentase semua CLO belum mencapai 100% tetapi masih memiliki nilai
persentase capaian sebesar antara 93,75% sampai dengan 96,88%.
- Semua CLO perlu ditingkatkan menjadi capaian 100%, khususnya CLO3 sampai
dengan CLO8.
- Semua CLO Mata Kuliah PML Kelas C berada pada kategori persentase tinggi
(HIGH) dalam hal banyaknya mahasiswa dengan nilai capaian di atas 60.
Selain nilai untuk capaian pembelajaran Mata Kuliah (CLO), dapat dianalisis pula nilai
dari setiap ILO yang didukung oleh mata kuliah SPM. Deskripsi mengenai pencapaian
ILO dari Mata Kuliah SPM 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 SPM. 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.
Tabel 5. Deskripsi Nilai dan Kategori Capaian untuk Setiap ILO yang didukung oleh
Mata Kuliah Pengantar Model Linier Kelas C
ILO ILO ILO
ILO1 ILO3 ILO4 ILO5 ILO8
2 6 7
Rata - rata 73,99 72,71 72,71 74,22 73,99
Kategori SATISFA SATISFA SATISFA SATISFA SATISFA

P2RP-LP3M UB
 Capaian CTORY CTORY CTORY CTORY CTORY
Banyaknya 30 31 31 30 30
mahasiswa
dengan
ILO>60
Persentase 93,75 96,88 96,88 93,75 93,75
mahasiswa
dengan
ILO>60
Kategori HIGH HIGH HIGH HIGH HIGH
Persentase

Gambar 2. Visualisasi (a) Indeks Capaian dan (b) Presentasi Mahasiswa dengan Capaian
> 60 di setiap ILO yang didukung oleh Mata Kuliah Pengantar Model Linier-C

Beberapa hal yang dapat disimpulkan dari dukungan Mata Kuliah terhadap Capaian
Pembelajaran Program Studi (ILO):
- Semua ILO Mata Kuliah PML Kelas C pada kategori capaian SATISFACTORY,
dimana persentase capaian mahasiswa yang memiliki nilai di atas 60 berkisar
antara 93,75% sampai dengan 96,88%.
- Capaian nilai ILO untuk Mata Kuliah PML Kelas C pada kisaran nilai rata-rata
sebesar 72,71 sampai dengan 74,22.
- Masih perlu ditingkatkan pencapaian ILO untuk Mata Kuliah PML Kelas C ke
kategori EXCELLENT
- Kategori persentase mahasiswa dengan nilai capaian di atas 60 masih dalam
kategori HIGH.

10 Kendala
Beberapa kendala yang dihadapi dalam pembelajaran PML kelas C ini adalah kurangnya
kemampuan/pemahaman mahasiswa mengenai teori-teori distribusi peluang dan
pemodelan linier singular dan non singular serta kajian pendugaan parameter dan

P2RP-LP3M UB
 pengujian hipotesis pada mata kuliah prasyarat sebelumnya, yaitu Pengantar Analisis
Regresi, Pengantar Rancob, dan Metode Statistika II serta kurangnya pemahaman
menghubungkan kajian teori dengan terapannya, di mana kedua hal tersebut adalah dasar
untuk memahami materi di MK PML ini. Kompetensi teoritis yang harus dicapai pada
mata kuliah PML ini menjadi salah satu penyebab bagi mahasiswa kurang tertarik pada
mata kuliah ini, sehingga tantangannya adalah mencari strategi jitu untuk mengajar mata
kuliah SPM ini agar mudah dipahami dan menarik untuk diikuti oleh mahasiswa. Selain
itu, jadwal kuliah PML pada jam 13.00 – 15.30 juga menjadi kendala bagi dosen
pengampu mata kuliah karena pada jam-jam seperti ini, mahasiswa sudah lelah dan
mengantuk mengikuti kuliah, apalagi mata kuliahnya memiliki kompetensi teoritis.

11 Distribusi Nilai
Nilai akhir diperoleh dari pembobotan seluruh komponen penilaian/assessment 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 73,69 dengan kurang
dan lebihnya 7 poin dari rata – rata tersebut. Nilai paling rendah dari 32 mahasiswa
sebesar 55,73 dan nilai tertinggi mahasiswa sebesar 85,97.
Tabel 6. Statistika Deskriptif Nilai Akhir Mata Kuliah Pengantar Model Linier Kelas C
2019/2020
Rata rata 73,69
Median 74,31
Simpangan baku 6,98
Range 30,23
Minimum 55,73
Maximum 85,97

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 dan persentase terbesar mahasiswa ada
pada nilai B (14 orang) dan diikuti nilai B+ (sebanyak 9 orang), nilai A (senanyak 5
orang), nilai C (sebanyak 2 orang) dan C+ (sebanyak 2 orang). Pada mata kuliah PML
Kelas C ini, perhatian lebih harus diberikan kepada mahasiswa dengan nilai C dan C+
agar dapat meningkatkan kemampuannya seperti mayoritas mahasiswa lainnya yang
telah mendapatkan minimal nilai B dan ke atas.

P2RP-LP3M UB
 Sebaran Nilai Mahasiswa Mata Kuliah PML-C
16
14

Jumlah Mahasiswa
12
10
8
6
4
2
0
C C+ B B+ A
Kategori Nilai

Gambar 3. Sebaran Nilai Akhir Huruf Mata Kuliah Pengantar Model Linier Kelas C
2019/2020

Rincian nilai mahasiswa secara lengkap dapat ditunjukkan pada Lampiran 2.

Hasil saran dan masukan dari Evaluasi PBM yang diberikan mahasiswa untuk Dosen
sebagai berikut:
 Trimakasih ibu, cara mengajarnya sangat membuat kami laham
 Terima Kasih Atas Materi yang di berikan selama yang di berikan di kelas, untuk
materi di selanjut nya mohon ada referensi berupa pengertian dan contoh dan
tidak terlalu banyak rumus yang terdapat di slide
 Lebih sering latihan soal di kelas
 Semoga kedepannya menjadi lebih baik lagi
 Kalau ada yang ramai tegor aja bu. Khususnya maba
 Terima kasih bu, semoga ilmu ibu bisa berguna untuk semua
 Sudah baik
 Terimakasih Bu Ani atas pengajaran dan motivasi‐motivasi yang selalu ibu
berikan kepada saya dan teman-teman saya
 Terimakasih
 Menurut saya semuanya sudah baik. Terimakasih.
 Terimakasih Bu
 Pembelajaran sudah berjalan dengan baik
 Lebih sering menjelaskan di papan
 Sudah cukup baik
 Bu Ani dalam menyampaikan materi selama ini sudah sangat baik. Terimakasih
atas ilmu yang bu Ani sampaikan selama ini, semoga bisa bermanfaat bagi saya
kedepannya.
 Terimakasih
 Sudah baik.

P2RP-LP3M UB
  Sehat selalu bu
 Mantap
 Sudah baik
 Semoga kedepannya menjadi lebih baik lagi
 Sudah baik

12 Kesimpulan
- Dengan beberapa kendala yang telah disampaikan dan dengan kemampuan
mahasiswa yang ada, nilai akhir yang diperoleh mahasiswa masih cukup baik dan
masih mencerminkan bahwa strategi dan cara pembelajaran dapat diterima
dengan baik oleh sebagian besar mahasiswa yang mengikuti Mata Kuliah PML
Kelas C ini. Masih perlu peningkatan capaian CLO dan ILO ke kategori
EXCELLENT dan masih perlu di tingkatkan capaian CLO dan ILO menjadi
100%, khususnya pada CLO3 sampai dengan CLO8.
- Secara umum hasil evaluasi PBM yang diberikan oleh mahasiswa kepada dosen
sudah baik dan perlu ditingkatkan lagi menjadi sangat baiki agar seluruh
mahasiswa mencapai kompetensi yang diharapkan pada mata kuliah PML ini.

13 Rekomendasi Perbaikan
 Perlu koordinasi dengan pengajar mata kuliah yang menjadi dasar pemahaman di
mata kuliah ini, yaitu Pengantar Analisis Regresi, Pengantar Rancob, dan Metode
Statistika II agar dosen di mata kuliah dasar (prasyarat) tersebut selalu
memberikan motivasi pemanfaatan teori-teori yang telah diberikan tersebut pada
mata kuliah selanjutnya, khususnya pada Mata Kuliah Pengantar Model Linier.
 Perlu lebih lagi “membumikan” bahasa teori di mata kuliah ini dengan
menghubungkan pada kasus – kasus terapan yang sedang up to date, untuk
mempermudah pemahaman mahasiswa dan kuliah menjadi lebih menarik lagi.
 Perlu peningkatan capaian CLO dan ILO menjadi 100%, khususnya pada CLO3
sampai dengan CLO8
 Perlu meningkatkan capaian semua CLO dan semua ILO menjadi kategori
EXCELLENT sehingga capaian pembelajaran EXCELLENT dapat menyeluruh
kepada semua mahasiswa yang mengikuti kuliah PML Kelas C.
 Jadwal perkuliahan untuk mata kuliah PML ini sebaiknya di plot pada jam kuliah
pagi hari.

P2RP-LP3M UB
P2RP-LP3M UB
Lampiran 1. Kesesuaian Rencana Materi Kuliah dengan Praktek untuk Mata Kuliah PML Kelas C
Min Pelaksanaan pada Minggu ke
ggu Rencana
1 2 3 4 5 6 7 8&9 10 11 12 13 14 15 16 17
ke
1 Kontrak kuliah Kontak
Mahasiswa kuliah,
mampu review
memahami dan model
menjelaskan regresi,
konsep-konsep model
dasar aljabar ANOV
matriks A,
Definisi model penduga
linier dan an
aljabar matriks paramet
dan Tipe data er dan
dan sumber data pengujia
untuk analisis n
model linier hipotesi
s,
Definisi
model
linier
dan
aljabar
matriks
dan
Tipe
data dan
sumber
data
untuk
analisis
model
linier
2 Distribusi Konsep
bentuk kuadrat fungsi

P2RP-LP3M UB
 Min Pelaksanaan pada Minggu ke
ggu Rencana
1 2 3 4 5 6 7 8&9 10 11 12 13 14 15 16 17
ke
dan memiliki model
keterampilan kuadrat,
menangani Penerapan
model kuadrat distribusi
Konsep fungsi kuadrat dan
model kuadrat, Memiliki
Penerapan ketrampilan
distribusi menangani
kuadrat dan model
Memiliki kuadrat
ketrampilan
menangani
model kuadrat
3 Prinsip kuadrat Prinsip
terkecil dan kuadrat
umum terkecil
Uji hipotesis dan
parameter umum,
model, selang Uji
kepercayaan, hipotesi
contoh analisis s
dan praktik paramet
langsung er
menggunakan model,
Excel dan R, selang
dan penerapan keperca
kuadrat terkecil yaan,
pada data contoh
analisis
dan
praktik
langsun
g
menggu

P2RP-LP3M UB
 Min Pelaksanaan pada Minggu ke
ggu Rencana
1 2 3 4 5 6 7 8&9 10 11 12 13 14 15 16 17
ke
nakan
Excel
dan R,
dan
penerap
an
kuadrat
terkecil
pada
data dan
Tugas 1
4 Quiz 1
Materi
Materi
Pertemuan
Pertemuan ke-1
ke-1
sampai dengan
sampai
Pertemuan ke-3
dengan
Pertemuan
ke-3

5 Model non Model non

singular (model singular
berpangkat (model
penuh/model berpangkat
regresi), penuh/model
pendugaan regresi),
parameter dan pendugaan
pengujian parameter
hipotesis dan
pengujian
hipotesis
6 Model singular Model
(model singular
berpangkat (model
tidak berpangkat

P2RP-LP3M UB
 Min Pelaksanaan pada Minggu ke
ggu Rencana
1 2 3 4 5 6 7 8&9 10 11 12 13 14 15 16 17
ke
penuh/model tidak
anova), penuh/mod
pendugaan el anova),
parameter dan pendugaan
pengujian parameter
hipotesis dan
pengujian
hipotesis
7 Prinsip galat Prinsip
bersyarat, galat
penguraian bersyar
jumlah kuadrat at,
pada rancangan pengura
kelompok dan ian
Penguraian jumlah
jumlah kuadrat, kuadrat
Penguraian pada
jumlah kuadrat rancang
pada rancangan an
kelompok tidak kelomp
lengkap, data ok dan
tak berimbang Pengur
dan Tugas 2 aian
jumlah
kuadrat,
Pengur
aian
jumlah
kuadrat
pada
rancang
an
kelomp
ok tidak

P2RP-LP3M UB
 Min Pelaksanaan pada Minggu ke
ggu Rencana
1 2 3 4 5 6 7 8&9 10 11 12 13 14 15 16 17
ke
lengkap
, data
tak
berimb
ang dan
Tugas 2
8&
UTS
9
10 Rancangan Ranca
kelompok tidak ngan
lengkap dan kelom
data tak pok
berimbang, tidak
Contoh analisis lengka
dan praktik p dan
langsung data
menggunakan tak
Excel dan SPSS berim
bang,
Conto
h
analisi
s dan
prakti
k
langsu
ng
meng
gunak
an
Excel
dan
SPSS

P2RP-LP3M UB
 Min Pelaksanaan pada Minggu ke
ggu Rencana
1 2 3 4 5 6 7 8&9 10 11 12 13 14 15 16 17
ke
11 Model Model
campuran, campura
pendugaan n,
parameter dan penduga
pengujian an
hipotesis, paramet
Contoh analisis er dan
dan praktik pengujia
langsung n
menggunakan hipotesi
Excel dan SPSS s,
Contoh
analisis
dan
praktik
langsun
g
menggu
nakan
Excel
dan
SPSS
12 Penerapan Penera
model pan
campuran, model
Pendugaan campu
parameter dan ran,
pengujian Pendu
hipotesis model gaan
campuran, param
Contoh analisis eter
dan praktik dan
langsung penguj
menggunakan ian

P2RP-LP3M UB
 Min Pelaksanaan pada Minggu ke
ggu Rencana
1 2 3 4 5 6 7 8&9 10 11 12 13 14 15 16 17
ke
Excel dan SPSS hipote
sis
model
campu
ran,
Conto
h
analisi
s dan
prakti
k
langsu
ng
mengg
unaka
n
Excel
dan
SPSS
13 Quiz 2: Quiz
Materi 2:
Pertemuan ke- Materi
10 sampai Perte
dengan muan
Pertemuan ke- ke-10
12 sampa
i
denga
n
Perte
muan
ke-12

P2RP-LP3M UB
 Min Pelaksanaan pada Minggu ke
ggu Rencana
1 2 3 4 5 6 7 8&9 10 11 12 13 14 15 16 17
ke
14 Pembentukan Pembe
Model linier ntukan
umum keluarga Model
distribusi linier
eksponensial, umum
Pendugaan keluar
parameter dan ga
pengujian distrib
hipotesis model usi
linier umum ekspo
keluarga nensia
distribusi l,
eksponensial, Pendu
Contoh analisis gaan
dan praktik param
langsung eter
menggunakan dan
Excel dan SPSS penguj
ian
hipote
sis
model
linier
umum
keluar
ga
distrib
usi
ekspo
nensia
l,
Conto
h
analisi

P2RP-LP3M UB
 Min Pelaksanaan pada Minggu ke
ggu Rencana
1 2 3 4 5 6 7 8&9 10 11 12 13 14 15 16 17
ke
s dan
prakti
k
langsu
ng
mengg
unaka
n
Excel
dan
SPSS
15 Penerapan Penera
analisis pada pan
model linier analisi
umum s pada
eksponensial, model
Pendugaan linier
parameter dan umum
pengujian ekspo
hipotesis model nensia
linier umum l,
keluarga Pendu
distribusi gaan
eksponensial, param
Contoh analisis eter
dan praktik dan
langsung penguj
menggunakan ian
Excel dan SPSS hipote
sis
model
linier
umum
keluar

P2RP-LP3M UB
 Min Pelaksanaan pada Minggu ke
ggu Rencana
1 2 3 4 5 6 7 8&9 10 11 12 13 14 15 16 17
ke
ga
distrib
usi
ekspo
nensia
l,
Conto
h
analisi
s dan
prakti
k
langsu
ng
mengg
unaka
n
Excel
dan
SPSS
16 Menerapkan Men
analisis pada erap
kasus - kasus kan
riil, mulai dari anali
konsep dasar sis
aljabar matriks, pada
metode kuadrat kasu
dan s-
distribusinya, kasu
prinsip kuadrat s
terkecil dan riil,
umum, mul
pendugaan ai
parameter dari

P2RP-LP3M UB
 Min Pelaksanaan pada Minggu ke
ggu Rencana
1 2 3 4 5 6 7 8&9 10 11 12 13 14 15 16 17
ke
model singular, kons
model non ep
singular, model dasa
campuran, r
model linier aljab
eksponensial, ar
serta Prinsip matr
galat bersyarat, iks,
penguraian met
jumlah kuadrat, ode
penggunaan kuad
pada rancangan rat
kelompok tidak dan
lengkap, data distr
tak berimbang, ibusi
presentasi hasil nya,
tugas kelompok prin
sip
kuad
rat
terk
ecil
dan
umu
m,
pend
ugaa
n
para
mete
r
mod
el
sing

P2RP-LP3M UB
 Min Pelaksanaan pada Minggu ke
ggu Rencana
1 2 3 4 5 6 7 8&9 10 11 12 13 14 15 16 17
ke
ular,
mod
el
non
sing
ular,
mod
el
cam
pura
n,
mod
el
linie
r
eksp
onen
sial,
serta
Prin
sip
galat
bers
yara
t,
peng
urai
an
juml
ah
kuad
rat,
peng
guna

P2RP-LP3M UB
 Min Pelaksanaan pada Minggu ke
ggu Rencana
1 2 3 4 5 6 7 8&9 10 11 12 13 14 15 16 17
ke
an
pada
ranc
anga
n
kelo
mpo
k
tida
k
leng
kap,
data
tak
beri
mba
ng,
pres
enta
si
hasil
tuga
s
kelo
mpo
k
17 U
UAS:
A
Materi
S:
Pertemuan ke-
M
10 sampai
ate
dengan
ri
Pertemuan ke-
Pe
16
rte

P2RP-LP3M UB
 Min Pelaksanaan pada Minggu ke
ggu Rencana
1 2 3 4 5 6 7 8&9 10 11 12 13 14 15 16 17
ke
m
ua
n
ke
-
10
sa
m
pai
de
ng
an
Pe
rte
m
ua
n
ke
-
16
Kehadiran (%) 100 92,86 92,86 92,86 100 92,86 85,71 100 85,71 100 100 100 100 92,86 100 10
0

P2RP-LP3M UB
Lampiran 2. Rincian Nilai Mahasiswa Mata Kuliah PML Kelas C
No NIM Nama Q1 Q2 T1 T2 T3 P1 UTS1 UAS1 NA Nilai Huruf
1 '155090520111001 Analin Nellaf Kambuaya 40 50 0 75 75 86,75 65 50 56,425 C
2 '165090507111002 Izzudin Naufal 65 50 80 70 70 84,85 45 45 55,735 C
3 '175090500111004 Defit Fitri Yuliana 80 65 85 80 80 86,55 90 70 78,905 B+
4 '175090500111005 Alief Nur Fitriani Aziz 70 80 85 80 75 89 90 70 79,4 B+
5 '175090500111006 Andi Prasetya 75 75 85 80 85 85,15 90 65 78,015 B+
6 '175090500111021 Ryan Adi Nugroho 65 50 70 80 70 85,7 60 80 70,07 B
7 '175090500111022 Rafif Arsalan 50 60 85 75 90 85,45 90 65 74,045 B
8 '175090500111028 Muhamad Liswansyah Pratama 50 50 70 80 70 87,6 80 70 70,76 B
9 '175090500111030 Ni Made Ayu Astari Badung 85 80 85 80 90 89,65 95 80 85,965 A
10 '175090500111034 Firman Indrawan Baroro 80 75 85 80 70 87,75 80 70 77,025 B+
11 '175090500111035 Fabiola Puspa Pratiwi 65 50 85 80 80 85,35 85 65 73,035 B
12 '175090501111003 Yuli Rochmawati 80 70 80 80 80 83,95 95 75 81,645 A
13 '175090501111012 Fifi Adinda Putri 50 55 85 80 80 85,9 85 80 76,59 B+
14 '175090501111021 Miftachul Ilmi 75 65 85 80 80 85,9 80 75 77,34 B+
15 '175090501111022 Harsony 50 40 85 80 70 86,55 65 65 65,155 C+
16 '175090501111026 Eva Fadilah Ramadhani 80 85 85 80 90 84,65 85 90 85,965 A
17 '175090501111029 Ratih Kartika Rahmatulnissa 80 65 85 80 90 87,5 95 70 80,75 A
18 '175090501111030 Nidia Artha Wahyudi Tamin 85 55 80 80 90 87,95 80 80 79,295 B+
19 '175090501111033 Achmad Nadjih Fadhelan 60 40 85 75 75 85,4 75 70 70,04 B
20 '175090507111001 Theodorine Sulistyaning Rahayu 65 60 85 80 75 85,4 70 70 71,54 B
21 '175090507111003 Indah Fitria Susilowati 85 65 85 80 80 86,4 70 55 69,89 B
22 '175090507111011 Natasha Debora Tho 65 70 85 80 70 89,05 75 55 69,405 B
23 '175090507111017 Bestari Archita Safitri 75 60 85 85 85 85,65 75 70 74,565 B
24 '175090507111026 Divia Avonita 55 50 80 80 80 87,15 75 65 69,465 B
25 '175090507111029 Moses Galuh Wilianto 65 65 85 80 80 88,3 75 60 70,83 B
26 '175090507111031 Greis Ully Damaiyanty Gultom 70 50 85 80 80 84,3 85 70 74,93 B
27 '175090507111032 Bella Ery Putri Ananda 65 65 85 80 90 86,75 90 65 76,425 B+

P2RP-LP3M UB
No NIM Nama Q1 Q2 T1 T2 T3 P1 UTS1 UAS1 NA Nilai Huruf
28 '175090507111033 Augy Kezia Anggoro 70 55 85 80 80 83,9 70 65 70,14 B
29 '175090507111037 Nefranita Halevi 75 55 85 80 80 85,95 80 75 76,345 B+
30 '175090507111038 Ahmad Hakim Purwanto 65 50 85 80 65 86,45 50 70 65,145 C+
31 '175090507111040 Nandia Pradianti 65 50 85 80 80 87,5 80 65 72 B
32 '175090520111001 Muhammad Nur Dzakki 65 80 90 85 80 86,8 85 80 81,18 A

P2RP-LP3M UB