Document

PORTOFOLIO MATA KULIAH

Nama Mata Kuliah : Machine Learning
Kode Mata Kuliah : IKS6334
Tim Dosen :
  1. 2435 Abdul Rochman, M.Kom.
Kelas : 01
Dosen : 2435 Abdul Rochman, M.Kom.
Semester : Gasal 2023/2024 (R)
Tahun Akademik : 2023/2024
Jumlah Mahasiswa : 54 mahasiswa

Program Studi TEKNIK INFORMATIKA

Fakultas TEKNOLOGI INDUSTRI

Universitas Trisakti

Mar 2024

PORTOFOLIO MATA KULIAH

NAMA MATA KULIAH : Machine Learning
KODE MATA KULIAH : IKS6334
KELAS : TIF-01
SEMESTER : Gasal 2023/2024 (R)
DOSEN PENGAMPU : 2435 Abdul Rochman, M.Kom.
NAMA DOSEN/TIM DOSEN :
  1. 2435 Abdul Rochman, M.Kom.
NAMA KOORDINATOR MATA KULIAH : 2435 Abdul Rochman, M.Kom.

1. HALAMAN PENGESAHAN PORTOFOLIO

PORTOFOLIO MATA KULIAH
MACHINE LEARNING
Tahun Akademik: Gasal 2023/2024 (R)
Program Studi TEKNIK INFORMATIKA
Fakultas TEKNOLOGI INDUSTRI
Kode:
IKS6334 		Bobot (sks):
3.00 sks 		Rumpun MK:
Semester:
GASAL
Penanggungjawab Nama Tanda Tangan Tanggal
Koordinator MK 2435 Abdul Rochman, M.Kom.
Koordinator Bidang Keahlian/Ilmu
Ketua Program Studi 2641 Binti Solihah, S.T., M.Kom.

DAFTAR ISI

  1. HALAMAN PENGESAHAN PORTOFOLIO .................................................................................
  2. CAPAIAN PEMBELAJARAN PROGRAM STUDI .......................................................................
  3. RENCANA PEMBELAJARAN SEMESTER (RPS) .......................................................................
    • 3.1. Muatan RPS ......................................................................................................................
    • 3.1. Sosialisasi RPS .................................................................................................................
  4. RENCANA PENILAIAN & RUBRIK .............................................................................................
    • 4.1. Rencana Penilaian CPMK ................................................................................................
    • 4.2. Rubrik Penilaian (UTS, UAS, Praktikum, Tugas) ...........................................................
  5. EVALUASI DAN ANALISIS HASIL PROSES PEMBELAJARAN .............................................
    • 5.1. Nilai Akhir Mata Kuliah dan Distribusinya .....................................................................
    • 5.2. Analisis Distribusi Nilai per CPMK .................................................................................
    • 5.3. Analisis Distribusi Nilai Per Teknik Penilaian (UTS, UAS, Tugas, Quiz, Laporan Praktikum, dsb).........................................................................................................................
    • 5.4. Analisis Distribusi Nilai per Mahasiswa ..........................................................................
  6. REKOMENDASI TINDAK LANJUT ..............................................................................................
  7. LAMPIRAN: ......................................................................................................................................

2. CAPAIAN PEMBELAJARAN PROGRAM STUDI

Tabel 1. Capaian Pembelajaran Lulusan (CPL) Program Studi
KODE DESKRIPSI CPL
S.1 Mahasiswa mampu menunjukkan sikap Tri Krama Universitas Trisakti: Takwa Tekun Terampil, Asah Asih Asuh, Satria, Setia Sportif dan berjiwa wirausaha (S.a)
S.2 Berkontribusi dalam peningkatan mutu kehidupan bermasyarakat, berbangsa, dan bernegara berdasarkan Pancasila (S.b)
P.1 Mahasiswa mampu menjelaskan cara kerja sistem komputer dan menerapkan/menggunakan berbagai algoritma/metode untuk memecahkan masalah pada suatu industri. (P.a)
P.2 Mahasiswa mampu menjelaskan konsep teoritis bidang pengetahuan Ilmu Komputer/Informatika dalam mendesain dan mensimulasikan aplikasi teknologi multi-platform yang relevan dengan kebutuhan industri dan masyarakat. (P.b)
KU.1 Mahasiswa mampu menganalisis persoalan komputasi kompleks untuk mengidentifikasi solusi pengelolaan proyek teknologi bidang informatika/ilmu komputer dengan mempertimbangkan wawasan perkembangan ilmu transdisiplin. (KU.a)
KU.2 Mahasiswa mampu berpikir logis, kritis serta sistematis dalam memanfaatkan ilmu pengetahuan informatika/ ilmu komputer untuk menyelesaikan masalah nyata. (KU.b)
KU.3 Mahasiswa mampu belajar mandiri sepanjang hayat, kreatif inovatif, berkomunikasi, bekerja sama, dan berperan secara efektif sebagai anggota atau pemimpin tim sesuai bidang ilmu dalam berbagai konteks profesional. (KU.c)
KK.1 Mahasiswa mampu mengimplementasi kebutuhan komputasi dengan mempertimbangkan berbagai metode/algoritma yang sesuai (KK.a)
KK.2 Mahasiswa mampu menganalisis, merancang, membuat dan mengevaluasi user interface dan aplikasi interaktif dengan mempertimbangkan kebutuhan pengguna dan perkembangan ilmu transdisiplin (KK.b)
KK.3 Mahasiswa mampu mendesain, mengimplementasi dan mengevaluasi solusi berbasis komputasi multi-platform yang memenuhi kebutuhan-kebutuhan industri (KK.c)
KK.4 Mahasiswa mampu memecahkan masalah di dunia industri dengan pendekatan sistem cerdas menggunakan algoritma kompleks (KK.d)
Tabel 2. Capaian Pembelajaran Lulusan yang Dibebankan pada Mata Kuliah
KODE DESKRIPSI CPL
P.2 Mahasiswa mampu menjelaskan konsep teoritis bidang pengetahuan Ilmu Komputer/Informatika dalam mendesain dan mensimulasikan aplikasi teknologi multi-platform yang relevan dengan kebutuhan industri dan masyarakat. (P.b)
KU.2 Mahasiswa mampu berpikir logis, kritis serta sistematis dalam memanfaatkan ilmu pengetahuan informatika/ ilmu komputer untuk menyelesaikan masalah nyata. (KU.b)
KK.4 Mahasiswa mampu memecahkan masalah di dunia industri dengan pendekatan sistem cerdas menggunakan algoritma kompleks (KK.d)
Tabel 3. Pemetaan Keterkaitan Capaian Pembelajaran Mata Kuliah dengan CPL
KODE CPL KODE CPMK DESKRIPSI CPMK
P.2 P2.CPMK-1 Mahasiswa mampu menjelaskan berbagai teknik dan metode pembelajaran mesin
P.2 P2.CPMK-2 Mahasiswa memahami teknik pengukuran kinerja yang tepat untuk berbagai kategori permasalahan yang diselesaikan dengan pembelajaran mesin
KU.2 KU2.CPMK-3 Mahasiswa mampu mengkategorisasikan masalah dunia nyata kedalam problem analitik (regresi, estimasi, klasifikasi, klastering, asosisi)
KU.2 KU2.CPMK-4 Mahasiswa mampu memilih metode pengukuran yang tepat untuk mengukur kinerja model
KU.2 KU2.CPMK-5 Mahasiswa mampu memilih metode pembelajaran mesin yang tepat untuk menyelesaikan problem
KK.4 KK4.CPMK-6 Mahasiswa menerapkan teknik pengukuran kinerja yang tepat untuk berbagai kategori permasalahan yang diselesaikan dengan pembelajaran mesin
KK.4 KK4.CPMK-7 Mahasiswa dapat menerapkan metode yang tepat untuk menyelesaikan masalah menggunakan teknik pembelajaran mesin
Tabel 4. Sub Capaian Pembelajaran Mata Kuliah
KODE CPL KODE CPMK DESKRIPSI Sub CPMK
P.2 P2.CPMK-1
P2.CPMK-1.1 Mahasiswa dapat membedakan berbagai teknik Pembelajaran Mesin: Supervised, Unsupervised, Semisuperviced, dan Reinforcement Learning
P2.CPMK-1.2 Mahasiswa memahami algoritma regresi untuk menyelesaikan persoalan prediksi dan estimasi dengan target numerik
P2.CPMK-1.3 Mahasiswa memahami algoritma klasifikasi untuk menyelesaikan persoalan prediksi target kategorik
P2.CPMK-1.4 Mahasiswa mampu memahami algoritma prediksi probabilistik
P2.CPMK-1.5 Mahasiswa mampu memahami algoritma clustering
P.2 P2.CPMK-2
P2.CPMK-2.1 Mahasiswa memahami metode pengukuran kinerja algoritma regresi menggunakan mse dan r square dan adjusted r square
P2.CPMK-2.2 Mahasiswa memahami metode pengukuran kualitas klaster
P2.CPMK-2.3 Mahasiswa memahami metode pengukuran kinerja algoritma klasifikasi berbasis confusion matrix
P2.CPMK-2.4 Mahasiswa memahami metode pengukuran kinerja algoritma prediksi probabilistik
KU.2 KU2.CPMK-3
KU2.CPMK-3.1 Mahasiswa mampu mengkategorikan problem dunia nyata sebagai masalah regresi
KU2.CPMK-3.2 Mahasiswa mampu mengkategorikan problem dunia nyata sebagai masalah klasifikasi
KU2.CPMK-3.3 Mahasiswa mampu mengkategorisasikan problem dunia nyata sebagai masalah prediksi probabilitas
KU2.CPMK-3.4 Mahasiswa mampu mengkategorisasikan problem dunia nyata sebagai masalah clustering
KU.2 KU2.CPMK-4
KU2.CPMK-4.1 Mahasiswa mampu memilih metode pengukuran yang tepat untuk mengukur kinerja model
KU.2 KU2.CPMK-5
KU2.CPMK-5.1 Mahasiswa mampu memilih metode pembelajaran yang tepat untuk kasus yang diselesaikan
KK.4 KK4.CPMK-6
KK4.CPMK-6.1 Mahasiswa mampu menerapkan teknik pengukuran kinerja untuk mengukur kualitas model regresi
KK4.CPMK-6.2 Mahasiswa mampu menerapkan teknik pengukuran kinerja berbasis confusion matrix untuk model klasifikasi biner
KK4.CPMK-6.3 Mahasiswa mampu menerapkan teknik pengukuran kinerja untuk probability prediction
KK4.CPMK-6.4 Mahasiswa mampu mengevaluasi kinerja model
KK.4 KK4.CPMK-7
KK4.CPMK-7.1 Mahasiswa mampu menerapkan algoritma regresi linier untuk menyelesaikan permasalahan regresi
KK4.CPMK-7.2 Mahasiswa mampu menerapkan algoritma klasifikasi untuk menyelesaikan masalah prediksi kategorik
KK4.CPMK-7.3 Mahasiswa mampu menerapkan algoritma untuk menyelesaikan permasalahan prediksi probabilistik
KK4.CPMK-7.4 Mahasiswa dapat melakukan tuning parameter untuk mengoptimasi model pembelajaran mesin
KK4.CPMK-7.5 Mahasiswa mampu menerapkan algoritma untuk menyelesaikan permasalahan clustering

3. RENCANA PEMBELAJARAN SEMESTER (RPS)

3.1 Muatan RPS

Tabel 5. Format dan Muatan RPS
UNIVERSITAS TRISAKRI
FAKULTAS TEKNOLOGI INDUSTRI
PROGRAM STUDI TEKNIK INFORMATIKA

RENCANA PEMBELAJARAN SEMESTER		 Kode : DU1.2.4-KUR-04.RPS/IKS6334

Program Studi : TEKNIK INFORMATIKA Semester : Gasal 2023/2024 (R);Jenis Mata Kuliah : Wajib     Kode Mata Kuliah : IKS6334     SKS : 3.00
Mata Kuliah : Machine Learning Dosen :
  1. 2435 Abdul Rochman, M.Kom.
MK Prasyarat :
    Tidak ada prasyarat;
Sesi Ke KAD Bahan Kajian Metoda Pembelajaran Waktu Belajar (Menit) Pengalaman Belajar Mahasiswa Referensi Kriteria Penilaian (Indikator)
1
  1. Mahasiswa dapat membedakan berbagai teknik Pembelajaran Mesin: Supervised, Unsupervised, Semisuperviced, dan Reinforcement Learning
 Pendahuluan
  • Definisi dan Kategorisasi
  • Perkembangan Keilmuan
  • Keilmuan Terkait
  • Penerapan
  • Tutorial
  • Diskusi
 270.00 Mahasiswa mendapatkan pengetahuan terkait Pembelajaran Mesin dan penerapannya di industri dan bisnis
  • Diskusi - 2.00 %
2
  1. Mahasiswa memahami algoritma regresi untuk menyelesaikan persoalan prediksi dan estimasi dengan target numerik
  2. Mahasiswa mampu menerapkan algoritma regresi linier untuk menyelesaikan permasalahan regresi
  3. Mahasiswa mampu mengkategorikan problem dunia nyata sebagai masalah regresi
 Studi Kasus Regresi
  • Regresi Linier
  • Pengukuran kinerja dengan MSE dan R2
  • Tutorial
  • Percobaan
  • Diskusi
  • Pemecahan Masalah
 270.00 Mahasiswa memahami persoalan yang dapat diselesaikan dengan metode regresi linier dan dapat menerapkan algoritma regresi linier untuk mengembangkan model regresi serta melakukan pengukuran kinerja model yang dihasilkan
  • Praktikum - 2.00 %
  • Ujian Tengah Semester - 3.00 %
3
  1. Mahasiswa memahami metode pengukuran kinerja algoritma regresi menggunakan mse dan r square dan adjusted r square
  2. Mahasiswa mampu menerapkan teknik pengukuran kinerja untuk mengukur kualitas model regresi
  3. Mahasiswa dapat melakukan tuning parameter untuk mengoptimasi model pembelajaran mesin
 Studi Kasus Regresi
  • Algoritma Multiple Regression
  • Refining model
  • Evaluasi Model
  • Tutorial
  • Percobaan
  • Diskusi
  • Pemecahan Masalah
 270.00 Mahasiswa mendapatkan pengetahuan dan pengalaman menerapkan Multiple Regression untuk memperbaiki model prediksi
  • Laporan - 1.00 %
  • Ujian Tengah Semester - 2.00 %
4
  1. Mahasiswa mampu menerapkan algoritma klasifikasi untuk menyelesaikan masalah prediksi kategorik
  2. Mahasiswa memahami algoritma klasifikasi untuk menyelesaikan persoalan prediksi target kategorik
  3. Mahasiswa mampu mengkategorikan problem dunia nyata sebagai masalah klasifikasi
 Studi Kasus Klasifikasi Biner
  • Logistik Regression
  • Confusion Matrix
  • Penyelesaian kasus dan pengukuran kinerja
  • Tutorial
  • Percobaan
  • Diskusi
  • Pemecahan Masalah
 270.00 Mahasiswa mendapatkan pengetahuan dan pengalaman menerapkan Algoritma Klasifikasi Biner untuk prediksi kategori biner
  • Ujian Tengah Semester - 5.00 %
  • Praktikum - 2.00 %
5
  1. Mahasiswa memahami metode pengukuran kinerja algoritma klasifikasi berbasis confusion matrix
  2. Mahasiswa mampu menerapkan teknik pengukuran kinerja berbasis confusion matrix untuk model klasifikasi biner
  3. Mahasiswa dapat melakukan tuning parameter untuk mengoptimasi model pembelajaran mesin
 Kasus Klasifikasi Biner
  • Algoritma Decision Tree
  • Pengukuran Kinerja model dengan Precision, Recall, F1 score, Akurasi
  • Optimasi model dengan GridSearch
  • Tutorial
  • Percobaan
  • Diskusi
  • Pemecahan Masalah
 270.00 Mahasiswa mendapatkan pengetahuan dan pengamalaman membangun, mengevaluasi, dan mengoptimasi model prediksi
  • Laporan - 1.00 %
  • Ujian Tengah Semester - 5.00 %
6
  1. Mahasiswa mampu memahami algoritma prediksi probabilistik
  2. Mahasiswa mampu menerapkan algoritma untuk menyelesaikan permasalahan prediksi probabilistik
  3. Mahasiswa mampu mengkategorisasikan problem dunia nyata sebagai masalah prediksi probabilitas
 Studi Kasus Prediksi Probabilistik
  • Naive Bayes
  • Pengukuran kinerja prediksi multiclass
  • Tutorial
  • Percobaan
  • Diskusi
  • Pemecahan Masalah
 270.00 Mahasiswa mendapatkan pengetahuan dan pengalaman membangun dan mengevaluasi model prediksi probablilistik
  • Ujian Tengah Semester - 5.00 %
  • Praktikum - 2.00 %
7
  1. Mahasiswa memahami metode pengukuran kinerja algoritma prediksi probabilistik
  2. Mahasiswa mampu menerapkan teknik pengukuran kinerja untuk probability prediction
  3. Mahasiswa dapat melakukan tuning parameter untuk mengoptimasi model pembelajaran mesin
  4. Mahasiswa mampu mengevaluasi kinerja model
Studi Kasus Probability Prediction
  • pengukuran kinerja
  • refining model
  • Tutorial
  • Percobaan
  • Diskusi
  • Pemecahan Masalah
 270.00 Mahasiswa mendapatkan pengetahuan dan pengalaman membangun, mengevaluasi dan mengoptimasi model prediksi
  • Presentasi - 5.00 %
  • Proyek - 15.00 %
8
  1. Mahasiswa mampu menerapkan algoritma klasifikasi untuk menyelesaikan masalah prediksi kategorik
  2. Mahasiswa memahami algoritma klasifikasi untuk menyelesaikan persoalan prediksi target kategorik
 studi kasus deteksi wajah dengan algoritma viola jones dan fitur haar like menerapkan algoritma SVM
  • Tutorial
  • Kolaborative
  • Percobaan
  • Pemecahan Masalah
 270.00 Mahasiswa mendapatkan pengetahuan dan pengalaman menyelesaikan kasus deteksi wajah menggunakan algoritma viola jones menerapkan algoritma SVM
  • Ujian Akhir Semester - 5.00 %
  • Praktikum - 2.00 %
9
  1. Mahasiswa memahami algoritma klasifikasi untuk menyelesaikan persoalan prediksi target kategorik
  2. Mahasiswa mampu mengevaluasi kinerja model
studi kasus deteksi wajah dengan algoritma viola jones dan fitur haar like dengan algoritma ada boost
  • Tutorial
  • Kolaborative
  • Percobaan
  • Pemecahan Masalah
 200.00 Mahasiswa mendapatkan pengetahuan dan pengelaman menyelesaikan permasalahan deteksi wajah dengan algoritma viola jones dan fitur haar like dengan algoritma ada boost
  • Laporan - 1.00 %
  • Ujian Akhir Semester - 5.00 %
10
  1. Mahasiswa mampu memahami algoritma clustering
  2. Mahasiswa mampu menerapkan algoritma untuk menyelesaikan permasalahan clustering
 studi kasus clustering
  • Tutorial
  • Percobaan
  • Diskusi
  • Pemecahan Masalah
 200.00 mahasiswa mendapatkan pengetahuan melakukan clustering
  • Diskusi - 1.00 %
  • Praktikum - 2.00 %
  • Ujian Akhir Semester - 5.00 %
11
  1. Mahasiswa memahami metode pengukuran kualitas klaster
  2. Mahasiswa mampu mengevaluasi kinerja model
studi kasus clustering
  • Tutorial
  • Percobaan
  • Diskusi
  • Pemecahan Masalah
 200.00 Mahasiswa mendapatkan pengetahuan dan pengalaman menerapkan algoritma clustering
  • Ujian Akhir Semester - 5.00 %
12
  1. Mahasiswa mampu memilih metode pengukuran yang tepat untuk mengukur kinerja model
  2. Mahasiswa mampu memilih metode pembelajaran yang tepat untuk kasus yang diselesaikan
 analisis data time series
  • Tutorial
  • Percobaan
  • Diskusi
  • Pemecahan Masalah
 200.00 Mahasiswa mendapatkan pengetahuan menyelesaikan persoalan time series analysis menggunakan algoritma ML yang sudah dipelajari
  • Praktikum - 2.00 %
13
  1. Mahasiswa mampu menerapkan algoritma klasifikasi untuk menyelesaikan masalah prediksi kategorik
 Studi kasus NLP (sentimen analisis) menggunakan ALgoritma ML
  • Tutorial
  • Percobaan
  • Pemecahan Masalah
 200.00 Mahasiswa memiliki pengetahuan dan pengalaman menyelesaikan kasus sentimen analisis
  • Praktikum - 2.00 %
14
  1. Mahasiswa mampu memilih metode pembelajaran yang tepat untuk kasus yang diselesaikan
  2. Mahasiswa mampu mengevaluasi kinerja model
Proyek sistem cerdas menggunakan metode ML
  • Percobaan
  • Pemecahan Masalah
 200.00 Mahasiswa mendapatkah pengetahuan dan pengalaman menyelsaikan kasus intelligence system with ML method
  • Presentasi - 5.00 %
  • Proyek - 15.00 %

3.2 Sosialisasi RPS

Tabel 6. Berita Acara Sosialisasi RPS
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS TRISAKTI
Perkuliahan Pertama Dosen Menyampaikan
Mata Kuliah/SKS Nama Dosen Hari Tanggal
Machine Learning 2435 Abdul Rochman, M.Kom. ; Wednesday 07:30:00-12:00:00 Status
Tidak ada perekaman sosialiasi RPS di Kelas
Diketahui Program Studi Dosen Mata Kuliah Mahasiswa
2641 Binti Solihah, S.T., M.Kom.

Ketua		 2435 Abdul Rochman, M.Kom. ........

4. RENCANA PENILAIAN & RUBRIK

4.1. Rencana Penilaian CPMK

Tabel 7. Hubungan CPL, CPMK dan Pertemuan Mingguan
Level CPL CMPK Sub CPMK Minggu Pertemuan dan Assessment
HEIGHT P.2 P2.CPMK-1 P2.CPMK-1.1 Minggu ke-1 Assessment: Diskusi (2.00%)
HEIGHT P.2 P2.CPMK-1 P2.CPMK-1.2 Minggu ke-2 Assessment: Ujian Tengah Semester (3.00%)
HEIGHT P.2 P2.CPMK-1 P2.CPMK-1.3 Minggu ke-9 Assessment: Ujian Akhir Semester (3.00%)
Minggu ke-4 Assessment: Ujian Tengah Semester (4.00%)
Minggu ke-8 Assessment: Ujian Akhir Semester (5.00%)
HEIGHT P.2 P2.CPMK-1 P2.CPMK-1.4 Minggu ke-6 Assessment: Ujian Tengah Semester (4.00%)
HEIGHT P.2 P2.CPMK-1 P2.CPMK-1.5 Minggu ke-10 Assessment: Diskusi (1.00%)
Minggu ke-10 Assessment: Ujian Akhir Semester (5.00%)
HEIGHT P.2 P2.CPMK-2 P2.CPMK-2.1 Minggu ke-3 Assessment: Ujian Tengah Semester (2.00%)
HEIGHT P.2 P2.CPMK-2 P2.CPMK-2.2 Minggu ke-11 Assessment: Ujian Akhir Semester (3.00%)
HEIGHT P.2 P2.CPMK-2 P2.CPMK-2.3 Minggu ke-5 Assessment: Ujian Tengah Semester (5.00%)
HEIGHT P.2 P2.CPMK-2 P2.CPMK-2.4 Minggu ke-7 Assessment: Presentasi (5.00%)
HEIGHT KU.2 KU2.CPMK-3 KU2.CPMK-3.1 Minggu ke-2 Assessment: Praktikum (0.50%)
HEIGHT KU.2 KU2.CPMK-3 KU2.CPMK-3.2 Minggu ke-4 Assessment: Ujian Tengah Semester (1.00%)
HEIGHT KU.2 KU2.CPMK-3 KU2.CPMK-3.3 Minggu ke-6 Assessment: Ujian Tengah Semester (1.00%)
HEIGHT KU.2 KU2.CPMK-4 KU2.CPMK-4.1 Minggu ke-12 Assessment: Praktikum (0.50%)
HEIGHT KU.2 KU2.CPMK-5 KU2.CPMK-5.1 Minggu ke-14 Assessment: Presentasi (3.00%)
Minggu ke-14 Assessment: Proyek (10.00%)
Minggu ke-12 Assessment: Praktikum (1.50%)
LOW KK.4 KK4.CPMK-6 KK4.CPMK-6.1 Minggu ke-3 Assessment: Laporan (0.80%)
LOW KK.4 KK4.CPMK-6 KK4.CPMK-6.2 Minggu ke-5 Assessment: Laporan (0.80%)
LOW KK.4 KK4.CPMK-6 KK4.CPMK-6.3 Minggu ke-7 Assessment: Proyek (10.00%)
LOW KK.4 KK4.CPMK-6 KK4.CPMK-6.4 Minggu ke-14 Assessment: Presentasi (2.00%)
Minggu ke-14 Assessment: Proyek (5.00%)
Minggu ke-9 Assessment: Ujian Akhir Semester (2.00%)
Minggu ke-9 Assessment: Laporan (1.00%)
Minggu ke-7 Assessment: Proyek (2.50%)
Minggu ke-11 Assessment: Ujian Akhir Semester (2.00%)
LOW KK.4 KK4.CPMK-7 KK4.CPMK-7.1 Minggu ke-2 Assessment: Praktikum (1.50%)
LOW KK.4 KK4.CPMK-7 KK4.CPMK-7.2 Minggu ke-4 Assessment: Praktikum (2.00%)
Minggu ke-8 Assessment: Praktikum (2.00%)
Minggu ke-13 Assessment: Praktikum (2.00%)
LOW KK.4 KK4.CPMK-7 KK4.CPMK-7.3 Minggu ke-6 Assessment: Praktikum (2.00%)
LOW KK.4 KK4.CPMK-7 KK4.CPMK-7.4 Minggu ke-3 Assessment: Laporan (0.20%)
Minggu ke-5 Assessment: Laporan (0.20%)
Minggu ke-7 Assessment: Proyek (2.50%)
LOW KK.4 KK4.CPMK-7 KK4.CPMK-7.5 Minggu ke-10 Assessment: Praktikum (2.00%)
Tabel 8. Rincian Bobot Penilain UTS dan Sesi Pertemuan
UTS
Materi Sesi M1 M2 M3 M4 M5 M6 M7 TOTAL
CPL CPMK Sub CPMK #A1 #A2 #A3 #A4 #A5 #A6 #A7
P.2 P2.CPMK-1 P2.CPMK-1.2 3.00%
 3%
P.2 P2.CPMK-1 P2.CPMK-1.3 4.00%
 4%
P.2 P2.CPMK-1 P2.CPMK-1.4 4.00%
 4%
P.2 P2.CPMK-2 P2.CPMK-2.1 2.00%
 2%
P.2 P2.CPMK-2 P2.CPMK-2.3 5.00%
 5%
KU.2 KU2.CPMK-3 KU2.CPMK-3.2 1.00%
 1%
KU.2 KU2.CPMK-3 KU2.CPMK-3.3 1.00%
 1%
TOTAL 20%
Tabel 9. Rincian Bobot Penilain UAS dan Sesi Pertemuan
UAS
Materi Sesi M8 M9 M10 M11 M12 M13 M14 TOTAL
CPL CPMK Sub CPMK #A8 #A9 #A10 #A11 #A12 #A13 #A14
P.2 P2.CPMK-1 P2.CPMK-1.3 5.00%
3.00%
 8%
P.2 P2.CPMK-1 P2.CPMK-1.5 5.00%
 5%
P.2 P2.CPMK-2 P2.CPMK-2.2 3.00%
 3%
KK.4 KK4.CPMK-6 KK4.CPMK-6.4 2.00%
2.00%
 4%
TOTAL 20%
Tabel 10. Rincian Bobot Penilain Laporan Praktikum dan Sesi Pertemuan
PRAKTIKUM
Materi Sesi M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12 M13 M14 TOTAL
CPL CPMK Sub CPMK #A1 #A2 #A3 #A4 #A5 #A6 #A7 #A8 #A9 #A10 #A11 #A12 #A13 #A14
TOTAL 0%
Tabel 11. Rincian Bobot Penilain Tugas dan Sesi Pertemuan
TUGAS
Materi Sesi M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12 M13 M14 TOTAL
CPL CPMK Sub CPMK #A1 #A2 #A3 #A4 #A5 #A6 #A7 #A8 #A9 #A10 #A11 #A12 #A13 #A14
TOTAL 0%
Tabel 12. Pemetaan Rencana Penilaian Setiap Instrument Penilaian
Materi Sesi Minggu Ke - TOTAL
M1 M2 M9 M4 M8 M6 M10 M3 M11 M5 M7 M12 M14 M13
Komponen Disc UTS PRK UAS LP UTS PRK UAS PRK UTS PRK Disc UAS PRK UTS LP UAS UTS LP PPT prj PRK PPT prj PRK
CPL CPMK Sub CPMK A1A2A3A4A5A6A7A8A9A10A11A12A13A14A15A16A17A18A19A20A21A22A23A24A25 Bobot
P.2 P2.CPMK-1 P2.CPMK-1.1 2.00% 2%
P.2 P2.CPMK-1 P2.CPMK-1.2 3.00% 3%
P.2 P2.CPMK-1 P2.CPMK-1.3 3.00%4.00%5.00% 12%
P.2 P2.CPMK-1 P2.CPMK-1.4 4.00% 4%
P.2 P2.CPMK-1 P2.CPMK-1.5 1.00%5.00% 6%
P.2 P2.CPMK-2 P2.CPMK-2.1 2.00% 2%
P.2 P2.CPMK-2 P2.CPMK-2.2 3.00% 3%
P.2 P2.CPMK-2 P2.CPMK-2.3 5.00% 5%
P.2 P2.CPMK-2 P2.CPMK-2.4 5.00% 5%
KU.2 KU2.CPMK-3 KU2.CPMK-3.1 0.50% 0.5%
KU.2 KU2.CPMK-3 KU2.CPMK-3.2 1.00% 1%
KU.2 KU2.CPMK-3 KU2.CPMK-3.3 1.00% 1%
KU.2 KU2.CPMK-4 KU2.CPMK-4.1 0.50% 0.5%
KU.2 KU2.CPMK-5 KU2.CPMK-5.1 1.50%3.00%10.00% 14.5%
KK.4 KK4.CPMK-6 KK4.CPMK-6.1 0.80% 0.8%
KK.4 KK4.CPMK-6 KK4.CPMK-6.2 0.80% 0.8%
KK.4 KK4.CPMK-6 KK4.CPMK-6.3 10.00% 10%
KK.4 KK4.CPMK-6 KK4.CPMK-6.4 2.00%1.00%2.00%2.50%2.00%5.00% 14.5%
KK.4 KK4.CPMK-7 KK4.CPMK-7.1 1.50% 1.5%
KK.4 KK4.CPMK-7 KK4.CPMK-7.2 2.00%2.00%2.00% 6%
KK.4 KK4.CPMK-7 KK4.CPMK-7.3 2.00% 2%
KK.4 KK4.CPMK-7 KK4.CPMK-7.4 0.20%0.20%2.50% 2.9%
KK.4 KK4.CPMK-7 KK4.CPMK-7.5 2.00% 2%
TOTAL 2 3 2 5 1 5 2 5 2 5 2 1 5 2 2 1 5 5 1 5 15 2 5 15 2 100
Catatan : total presentase semua instrument dan total seluruh sesi harus sama dengan 100%
Tabel 13. Rencana Penilaian dan Instrument Penilaian
CPL CMPK Sub CPMK Instrument
P.2 P2.CPMK-1 P2.CPMK-1.1 Disc
P.2 P2.CPMK-1 P2.CPMK-1.2 UTS
P.2 P2.CPMK-1 P2.CPMK-1.3 UAS UTS UAS
P.2 P2.CPMK-1 P2.CPMK-1.4 UTS
P.2 P2.CPMK-1 P2.CPMK-1.5 Disc UAS
P.2 P2.CPMK-2 P2.CPMK-2.1 UTS
P.2 P2.CPMK-2 P2.CPMK-2.2 UAS
P.2 P2.CPMK-2 P2.CPMK-2.3 UTS
P.2 P2.CPMK-2 P2.CPMK-2.4 PPT
KU.2 KU2.CPMK-3 KU2.CPMK-3.1 PRK
KU.2 KU2.CPMK-3 KU2.CPMK-3.2 UTS
KU.2 KU2.CPMK-3 KU2.CPMK-3.3 UTS
KU.2 KU2.CPMK-4 KU2.CPMK-4.1 PRK
KU.2 KU2.CPMK-5 KU2.CPMK-5.1 PPT prj PRK
KK.4 KK4.CPMK-6 KK4.CPMK-6.1 LP
KK.4 KK4.CPMK-6 KK4.CPMK-6.2 LP
KK.4 KK4.CPMK-6 KK4.CPMK-6.3 prj
KK.4 KK4.CPMK-6 KK4.CPMK-6.4 PPT prj UAS LP prj UAS
KK.4 KK4.CPMK-7 KK4.CPMK-7.1 PRK
KK.4 KK4.CPMK-7 KK4.CPMK-7.2 PRK PRK PRK
KK.4 KK4.CPMK-7 KK4.CPMK-7.3 PRK
KK.4 KK4.CPMK-7 KK4.CPMK-7.4 LP LP prj
KK.4 KK4.CPMK-7 KK4.CPMK-7.5 PRK
Tabel 14. Indikator Penilaian
Kategori Penilaian Range Penilaian Nilai
Sangat Baik >= 80 4
Baik 68 - 79,99 3
Cukup 56 - 67,99 2
Kurang < 1

4.2. Rubrik Penilaian (UTS, UAS, Praktikum, Tugas)

Tabel 15. Rubrik Penilaian UTS
UTS
CPL CMPK Sub CPMK Rubrik / Rubric
P.2 P2.CPMK-1 P2.CPMK-1.2Mahasiswa memahami algoritma regresi untuk menyelesaikan persoalan prediksi dan estimasi dengan target numerik
Indikator Kinerja: Ketepatan menjelaskan algoritma regresi
Performance Indicator: correctness to explain the regression algorithm		 Rubrik Penilaian
Tidak ada rubrik penilaian
P.2 P2.CPMK-1 P2.CPMK-1.3Mahasiswa memahami algoritma klasifikasi untuk menyelesaikan persoalan prediksi target kategorik
Indikator Kinerja: Ketepatan menjelaskan algoritma regresi
Performance Indicator: correctness to explain the regression algorithm		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: algoritma klasifikasi dapat dijelaskan dengan tepat
Performance Indicator: classification algorithm can be explained correctly		 Rubrik Penilaian
Tidak ada rubrik penilaian
P.2 P2.CPMK-1 P2.CPMK-1.4Mahasiswa mampu memahami algoritma prediksi probabilistik
Indikator Kinerja: Ketepatan menjelaskan algoritma regresi
Performance Indicator: correctness to explain the regression algorithm		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: algoritma klasifikasi dapat dijelaskan dengan tepat
Performance Indicator: classification algorithm can be explained correctly		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Algoritma prediksi probabilistik dapat dijelaskan
Performance Indicator: probabilistic prediction algorithm can be explained		 Rubrik Penilaian
Tidak ada rubrik penilaian
P.2 P2.CPMK-2 P2.CPMK-2.1Mahasiswa memahami metode pengukuran kinerja algoritma regresi menggunakan mse dan r square dan adjusted r square
Indikator Kinerja: metode pengukuran kinerja model regresi dapat dijelaskan
Performance Indicator: The performance matrix of the regression model can be explained.		 Rubrik Penilaian
Tidak ada rubrik penilaian
P.2 P2.CPMK-2 P2.CPMK-2.3Mahasiswa memahami metode pengukuran kinerja algoritma klasifikasi berbasis confusion matrix
Indikator Kinerja: metode pengukuran kinerja model regresi dapat dijelaskan
Performance Indicator: The performance matrix of the regression model can be explained.		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: metode pengukuran kinerja algoritma klasifikasi dapat dijelaskan
Performance Indicator: performance matrix for classification can be explained 		Rubrik Penilaian
Tidak ada rubrik penilaian
KU.2 KU2.CPMK-3 KU2.CPMK-3.2Mahasiswa mampu mengkategorikan problem dunia nyata sebagai masalah klasifikasi
Indikator Kinerja: kategorisasi problem dapat dilakukan
Performance Indicator: problem can be categorize correctly		 Rubrik Penilaian
Tidak ada rubrik penilaian
KU.2 KU2.CPMK-3 KU2.CPMK-3.3Mahasiswa mampu mengkategorisasikan problem dunia nyata sebagai masalah prediksi probabilitas
Indikator Kinerja: kategorisasi problem dapat dilakukan
Performance Indicator: problem can be categorize correctly		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: kategorisasi problem dunia nyata kedalam probability prediction dapat dilakukan
Performance Indicator: categorization of real problem into probabilistic prediction is done correctly		 Rubrik Penilaian
Tidak ada rubrik penilaian
Tabel 16. Rubrik Penilaian UAS
UAS
CPL CMPK Sub CPMK Rubrik / Rubric
P.2 P2.CPMK-1 P2.CPMK-1.3Mahasiswa memahami algoritma klasifikasi untuk menyelesaikan persoalan prediksi target kategorik
Indikator Kinerja: algoritma klasifikasi dapat dijelaskan dengan tepat
Performance Indicator: classification algorithm can be explained correctly		 Rubrik Penilaian
Tidak ada rubrik penilaian
P.2 P2.CPMK-1 P2.CPMK-1.5Mahasiswa mampu memahami algoritma clustering
Indikator Kinerja: algoritma klasifikasi dapat dijelaskan dengan tepat
Performance Indicator: classification algorithm can be explained correctly		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: metode dapat dijelaskan
Performance Indicator: method can be explained 		Rubrik Penilaian
Tidak ada rubrik penilaian
P.2 P2.CPMK-2 P2.CPMK-2.2Mahasiswa memahami metode pengukuran kualitas klaster
Indikator Kinerja: algoritma klasifikasi dapat dijelaskan dengan tepat
Performance Indicator: classification algorithm can be explained correctly		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: metode dapat dijelaskan
Performance Indicator: method can be explained 		Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: metode pengukuran kualitas cluster dapat dijelaskan
Performance Indicator: performance matrix to assess the cluster quality can be explained		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.4 KK4.CPMK-6 KK4.CPMK-6.4Mahasiswa mampu mengevaluasi kinerja model
Indikator Kinerja: algoritma klasifikasi dapat dijelaskan dengan tepat
Performance Indicator: classification algorithm can be explained correctly		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: metode dapat dijelaskan
Performance Indicator: method can be explained 		Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: metode pengukuran kualitas cluster dapat dijelaskan
Performance Indicator: performance matrix to assess the cluster quality can be explained		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Ketepatan melakukan evaluasi kinerja model
Performance Indicator: correctness in applying evaluation to access model's performance		 Rubrik Penilaian
Tidak ada rubrik penilaian
Tabel 17. Indikator Penilaian Laporan Praktikum
PRAKTIKUM
CPL CMPK Sub CPMK Rubrik / Rubric
Tabel 18. Indikator Penilaian Tugas
TUGAS
CPL CMPK Sub CPMK Rubrik / Rubric

5. EVALUASI DAN ANALISIS HASIL PROSES PEMBELAJARAN

5.1. Nilai Akhir Mata Kuliah dan Distribusinya

Distribusi nilai akhir mahasiswa dapat ditampilkan dalam bentuk tabel atau grafik seperti pada Tabel 19 dan Gambar 2 berikut.

Tabel 19. Distribusi Nilai Akhir Mahasiswa
Nilai Jumlah %
A 4 7.41
A- 8 14.81
B+ 10 18.52
B 22 40.74
B- 4 7.41
C+ 0 0.00
C 0 0.00
D 0 0.00
Distribusi Nilai Akhir Mahasiswa
Gambar 1. Distribusi Nilai Akhir Mahasiswa

5.2. Analisis Distribusi Nilai per CPMK

Analisis distribusi nilai per Sub CPMK :
Indikator ketercapaian (achieved) adalah apabila 60% jumlah mahasiswa peserta kuliah berada pada kategori Sub CPMK Sangat Baik, Baik, dan Cukup.

Tabel 20. Analisis Distribusi Nilai Per Sub CPMK
Sub CPMK Sangat Baik Baik Cukup Kurang %
Ketercapaian
P2.CPMK-1.1
Mahasiswa dapat membedakan berbagai teknik Pembelajaran Mesin: Supervised, Unsupervised, Semisuperviced, dan Reinforcement Learning 		25 0 0 2 92.59
P2.CPMK-1.2
Mahasiswa memahami algoritma regresi untuk menyelesaikan persoalan prediksi dan estimasi dengan target numerik 		0 6 4 17 37.04
P2.CPMK-1.3
Mahasiswa memahami algoritma klasifikasi untuk menyelesaikan persoalan prediksi target kategorik 		1 1 7 18 33.33
P2.CPMK-1.4
Mahasiswa mampu memahami algoritma prediksi probabilistik 		0 6 4 17 37.04
P2.CPMK-1.5
Mahasiswa mampu memahami algoritma clustering 		2 6 5 14 48.15
P2.CPMK-2.1
Mahasiswa memahami metode pengukuran kinerja algoritma regresi menggunakan mse dan r square dan adjusted r square 		0 6 4 17 37.04
P2.CPMK-2.2
Mahasiswa memahami metode pengukuran kualitas klaster 		1 2 8 16 40.74
P2.CPMK-2.3
Mahasiswa memahami metode pengukuran kinerja algoritma klasifikasi berbasis confusion matrix 		0 6 4 17 37.04
P2.CPMK-2.4
Mahasiswa memahami metode pengukuran kinerja algoritma prediksi probabilistik 		24 0 0 3 88.89
KU2.CPMK-3.1
Mahasiswa mampu mengkategorikan problem dunia nyata sebagai masalah regresi 		24 0 0 3 88.89
KU2.CPMK-3.2
Mahasiswa mampu mengkategorikan problem dunia nyata sebagai masalah klasifikasi 		0 6 4 17 37.04
KU2.CPMK-3.3
Mahasiswa mampu mengkategorisasikan problem dunia nyata sebagai masalah prediksi probabilitas 		0 6 4 17 37.04
KU2.CPMK-4.1
Mahasiswa mampu memilih metode pengukuran yang tepat untuk mengukur kinerja model 		24 0 0 3 88.89
KU2.CPMK-5.1
Mahasiswa mampu memilih metode pembelajaran yang tepat untuk kasus yang diselesaikan 		24 0 0 3 88.89
KK4.CPMK-6.1
Mahasiswa mampu menerapkan teknik pengukuran kinerja untuk mengukur kualitas model regresi 		25 0 0 2 92.59
KK4.CPMK-6.2
Mahasiswa mampu menerapkan teknik pengukuran kinerja berbasis confusion matrix untuk model klasifikasi biner 		25 0 0 2 92.59
KK4.CPMK-6.3
Mahasiswa mampu menerapkan teknik pengukuran kinerja untuk probability prediction 		24 0 0 3 88.89
KK4.CPMK-6.4
Mahasiswa mampu mengevaluasi kinerja model 		25 0 0 2 92.59
KK4.CPMK-7.1
Mahasiswa mampu menerapkan algoritma regresi linier untuk menyelesaikan permasalahan regresi 		24 0 0 3 88.89
KK4.CPMK-7.2
Mahasiswa mampu menerapkan algoritma klasifikasi untuk menyelesaikan masalah prediksi kategorik 		24 0 0 3 88.89
KK4.CPMK-7.3
Mahasiswa mampu menerapkan algoritma untuk menyelesaikan permasalahan prediksi probabilistik 		24 0 0 3 88.89
KK4.CPMK-7.4
Mahasiswa dapat melakukan tuning parameter untuk mengoptimasi model pembelajaran mesin 		25 0 0 2 92.59
KK4.CPMK-7.5
Mahasiswa mampu menerapkan algoritma untuk menyelesaikan permasalahan clustering 		24 0 0 3 88.89
Capaian Sub-CPMK
Gambar 2. Grafik Distribusi Nilai Per Sub CPMK

KEPUASAN MAHASISWA
Gambar 3. Hasil Kuisioner Mahasiswa
KodePertanyaan
Q-9Dosen menguasai materi dengan baik
Q-11Dosen berkomunkasi/menyampaikan materi dengan baik
Q-13Dosen hadir dan menggunakan waktu kuliah dengan baik
Q-15Dosen mempersiapkan kuliah dengan baik
Q-17Dosen bersikap responsif
Q-19Dosen bersedia berdiskusi
Q-21Dosen memberikan umpan balik
Q-23Dosen memberikan materi dengan jelas
Q-25Beban kuliah sesuai dengan standar kompetensi yang ada di RPP/SAP/JUKNIS
Q-27Dosen mengajar dengan baik
Q-29Media instruksional yang digunakan menarik
Q-31Dengan mengikuti perkuliahan, mahasiswa mengerti materi kuliah
Q-33Kenyamanan ruang kuliah
Q-35Koneksi Internet dalam ruang kelas

5.3. Analisis Distribusi Nilai Per Teknik Penilaian (UTS, UAS, Tugas, Quiz, Laporan Praktikum, dsb)

Yang termasuk dalam parameter ketercapaian adalah nilai yang berada dalam kuadran : Sangat Baik, Baik, dan Cukup.

Tabel 21. Analisis Ketercapaian Nilai Per Teknik Penilaian
Sub CPMK Sangat Baik Baik Cukup Kurang %
Ketercapaian
Mahasiswa dapat membedakan berbagai teknik Pembelajaran Mesin: Supervised, Unsupervised, Semisuperviced, dan Reinforcement Learning
Disc25
(100.00 %)		000100
(400.00 %)
Mahasiswa memahami algoritma regresi untuk menyelesaikan persoalan prediksi dan estimasi dengan target numerik
UTS06
(24.00 %)		4
(16.00 %)		15
(60.00 %)		40
(160.00 %)
Mahasiswa memahami algoritma klasifikasi untuk menyelesaikan persoalan prediksi target kategorik
UAS1
(4.17 %)		2
(8.33 %)		8
(33.33 %)		13
(54.17 %)		45.83
(190.96 %)
UTS06
(24.00 %)		4
(16.00 %)		15
(60.00 %)		40
(160.00 %)
Mahasiswa mampu memahami algoritma prediksi probabilistik
UTS06
(24.00 %)		4
(16.00 %)		15
(60.00 %)		40
(160.00 %)
Mahasiswa mampu memahami algoritma clustering
Disc25
(100.00 %)		000100
(400.00 %)
UAS1
(4.17 %)		2
(8.33 %)		8
(33.33 %)		13
(54.17 %)		45.83
(190.96 %)
Mahasiswa memahami metode pengukuran kinerja algoritma regresi menggunakan mse dan r square dan adjusted r square
UTS06
(24.00 %)		4
(16.00 %)		15
(60.00 %)		40
(160.00 %)
Mahasiswa memahami metode pengukuran kualitas klaster
UAS1
(4.17 %)		2
(8.33 %)		8
(33.33 %)		13
(54.17 %)		45.83
(190.96 %)
Mahasiswa memahami metode pengukuran kinerja algoritma klasifikasi berbasis confusion matrix
UTS06
(24.00 %)		4
(16.00 %)		15
(60.00 %)		40
(160.00 %)
Mahasiswa memahami metode pengukuran kinerja algoritma prediksi probabilistik
PPT24
(100.00 %)		000100
(416.67 %)
Mahasiswa mampu mengkategorikan problem dunia nyata sebagai masalah regresi
PRK24
(100.00 %)		000100
(416.67 %)
Mahasiswa mampu mengkategorikan problem dunia nyata sebagai masalah klasifikasi
UTS06
(24.00 %)		4
(16.00 %)		15
(60.00 %)		40
(160.00 %)
Mahasiswa mampu mengkategorisasikan problem dunia nyata sebagai masalah prediksi probabilitas
UTS06
(24.00 %)		4
(16.00 %)		15
(60.00 %)		40
(160.00 %)
Mahasiswa mampu memilih metode pengukuran yang tepat untuk mengukur kinerja model
PRK24
(100.00 %)		000100
(416.67 %)
Mahasiswa mampu memilih metode pembelajaran yang tepat untuk kasus yang diselesaikan
PRK24
(100.00 %)		000100
(416.67 %)
PPT24
(100.00 %)		000100
(416.67 %)
Mahasiswa mampu menerapkan teknik pengukuran kinerja untuk mengukur kualitas model regresi
LP25
(100.00 %)		000100
(400.00 %)
Mahasiswa mampu menerapkan teknik pengukuran kinerja berbasis confusion matrix untuk model klasifikasi biner
LP25
(100.00 %)		000100
(400.00 %)
Mahasiswa mampu menerapkan teknik pengukuran kinerja untuk probability prediction
prj24
(100.00 %)		000100
(416.67 %)
Mahasiswa mampu mengevaluasi kinerja model
PPT24
(100.00 %)		000100
(416.67 %)
LP1
(100.00 %)		000100
(10,000.00 %)
Mahasiswa mampu menerapkan algoritma regresi linier untuk menyelesaikan permasalahan regresi
PRK24
(100.00 %)		000100
(416.67 %)
Mahasiswa mampu menerapkan algoritma klasifikasi untuk menyelesaikan masalah prediksi kategorik
PRK24
(100.00 %)		000100
(416.67 %)
Mahasiswa mampu menerapkan algoritma untuk menyelesaikan permasalahan prediksi probabilistik
PRK24
(100.00 %)		000100
(416.67 %)
Mahasiswa dapat melakukan tuning parameter untuk mengoptimasi model pembelajaran mesin
LP25
(100.00 %)		000100
(400.00 %)
prj24
(100.00 %)		000100
(416.67 %)
Mahasiswa mampu menerapkan algoritma untuk menyelesaikan permasalahan clustering
PRK24
(100.00 %)		000100
(416.67 %)

Capaian Sub-CPMK P2.CPMK-1.1 Perpenilaian
Gambar 4. Analisis Ketercapaian Sub P2.CPMK-1.1 Per Teknik Penilaian


Capaian Sub-CPMK P2.CPMK-1.2 Perpenilaian
Gambar 5. Analisis Ketercapaian Sub P2.CPMK-1.2 Per Teknik Penilaian


Capaian Sub-CPMK P2.CPMK-1.3 Perpenilaian
Gambar 6. Analisis Ketercapaian Sub P2.CPMK-1.3 Per Teknik Penilaian


Capaian Sub-CPMK P2.CPMK-1.4 Perpenilaian
Gambar 7. Analisis Ketercapaian Sub P2.CPMK-1.4 Per Teknik Penilaian


Capaian Sub-CPMK P2.CPMK-1.5 Perpenilaian
Gambar 8. Analisis Ketercapaian Sub P2.CPMK-1.5 Per Teknik Penilaian


Capaian Sub-CPMK P2.CPMK-2.1 Perpenilaian
Gambar 9. Analisis Ketercapaian Sub P2.CPMK-2.1 Per Teknik Penilaian


Capaian Sub-CPMK P2.CPMK-2.2 Perpenilaian
Gambar 10. Analisis Ketercapaian Sub P2.CPMK-2.2 Per Teknik Penilaian


Capaian Sub-CPMK P2.CPMK-2.3 Perpenilaian
Gambar 11. Analisis Ketercapaian Sub P2.CPMK-2.3 Per Teknik Penilaian


Capaian Sub-CPMK P2.CPMK-2.4 Perpenilaian
Gambar 12. Analisis Ketercapaian Sub P2.CPMK-2.4 Per Teknik Penilaian


Capaian Sub-CPMK KU2.CPMK-3.1 Perpenilaian
Gambar 13. Analisis Ketercapaian Sub KU2.CPMK-3.1 Per Teknik Penilaian


Capaian Sub-CPMK KU2.CPMK-3.2 Perpenilaian
Gambar 14. Analisis Ketercapaian Sub KU2.CPMK-3.2 Per Teknik Penilaian


Capaian Sub-CPMK KU2.CPMK-3.3 Perpenilaian
Gambar 15. Analisis Ketercapaian Sub KU2.CPMK-3.3 Per Teknik Penilaian


Capaian Sub-CPMK KU2.CPMK-4.1 Perpenilaian
Gambar 16. Analisis Ketercapaian Sub KU2.CPMK-4.1 Per Teknik Penilaian


Capaian Sub-CPMK KU2.CPMK-5.1 Perpenilaian
Gambar 17. Analisis Ketercapaian Sub KU2.CPMK-5.1 Per Teknik Penilaian


Capaian Sub-CPMK KK4.CPMK-6.1 Perpenilaian
Gambar 18. Analisis Ketercapaian Sub KK4.CPMK-6.1 Per Teknik Penilaian


Capaian Sub-CPMK KK4.CPMK-6.2 Perpenilaian
Gambar 19. Analisis Ketercapaian Sub KK4.CPMK-6.2 Per Teknik Penilaian


Capaian Sub-CPMK KK4.CPMK-6.3 Perpenilaian
Gambar 20. Analisis Ketercapaian Sub KK4.CPMK-6.3 Per Teknik Penilaian


Capaian Sub-CPMK KK4.CPMK-6.4 Perpenilaian
Gambar 21. Analisis Ketercapaian Sub KK4.CPMK-6.4 Per Teknik Penilaian


Capaian Sub-CPMK KK4.CPMK-7.1 Perpenilaian
Gambar 22. Analisis Ketercapaian Sub KK4.CPMK-7.1 Per Teknik Penilaian


Capaian Sub-CPMK KK4.CPMK-7.2 Perpenilaian
Gambar 23. Analisis Ketercapaian Sub KK4.CPMK-7.2 Per Teknik Penilaian


Capaian Sub-CPMK KK4.CPMK-7.3 Perpenilaian
Gambar 24. Analisis Ketercapaian Sub KK4.CPMK-7.3 Per Teknik Penilaian


Capaian Sub-CPMK KK4.CPMK-7.4 Perpenilaian
Gambar 25. Analisis Ketercapaian Sub KK4.CPMK-7.4 Per Teknik Penilaian


Capaian Sub-CPMK KK4.CPMK-7.5 Perpenilaian
Gambar 26. Analisis Ketercapaian Sub KK4.CPMK-7.5 Per Teknik Penilaian

5.4. Analisis Distribusi Nilai per Mahasiswa

Berikut distribusi capaian nilai mahasiswa per Sub CPMK.

Tabel 22. Analisis Distribusi Pencapaian Nilai Mahasiswa Per Sub CPMK
No. NIM Nama % Pencapaian
P2.CPMK-1.1
Std Mark: 56.00 		P2.CPMK-1.2
Std Mark: 56.00 		P2.CPMK-1.3
Std Mark: 56.00 		P2.CPMK-1.4
Std Mark: 56.00 		P2.CPMK-1.5
Std Mark: 0.00 		P2.CPMK-2.1
Std Mark: 56.00 		P2.CPMK-2.2
Std Mark: 56.00 		P2.CPMK-2.3
Std Mark: 56.00 		P2.CPMK-2.4
Std Mark: 56.00 		KU2.CPMK-3.1
Std Mark: 56.00 		KU2.CPMK-3.2
Std Mark: 56.00 		KU2.CPMK-3.3
Std Mark: 56.00 		KU2.CPMK-4.1
Std Mark: 0.00 		KU2.CPMK-5.1
Std Mark: 56.00 		KK4.CPMK-6.1
Std Mark: 56.00 		KK4.CPMK-6.2
Std Mark: 56.00 		KK4.CPMK-6.3
Std Mark: 56.00 		KK4.CPMK-6.4
Std Mark: 56.00 		KK4.CPMK-7.1
Std Mark: 56.00 		KK4.CPMK-7.2
Std Mark: 56.00 		KK4.CPMK-7.3
Std Mark: 56.00 		KK4.CPMK-7.4
Std Mark: 56.00 		KK4.CPMK-7.5
Std Mark: 56.00
1 064002200036 MUHAMMAD FAHMI 85.0072.0067.3372.0068.3372.0065.0072.0090.0085.0072.0072.0085.0088.3385.0085.0085.0090.0085.0085.0085.0085.0085.00
2 064002200010 ANDRI MARTIN 85.0055.0068.3355.0076.6755.0075.0055.0090.0085.0055.0055.0085.0088.3385.0085.0085.0090.0085.0085.0085.0085.0085.00
3 064002200027 TARUM WIDYASTI PERTIWI 85.0070.0066.6770.0068.3370.0065.0070.0090.0085.0070.0070.0085.0088.3385.0085.0085.0090.0085.0085.0085.0085.0085.00
4 064002200024 KHARISMA MAULIDA SAARA 85.0070.0066.6770.0068.3370.0065.0070.0090.0085.0070.0070.0085.0088.3385.0085.0090.0090.0085.0085.0085.0089.3185.00
5 064002200003 AUDI AULIA 85.0060.0050.0060.0051.6760.0045.0060.0090.0085.0060.0060.0085.0088.3385.0085.0090.0090.0085.0085.0085.0089.3185.00
6 064002200015 PUTRI SYABILLAH 85.0073.0067.6773.0068.3373.0065.0073.0090.0085.0073.0073.0085.0088.3385.0085.0085.0090.0085.0085.0085.0085.0085.00
7 064002200030 VANIA RAHMA DEWI 85.0060.0060.0060.0064.1760.0060.0060.0090.0085.0060.0060.0085.0088.3385.0085.0085.0090.0085.0085.0085.0085.0085.00
8 064002200033 JOVITA AMANDA PUTRI SITUMORANG 85.0040.0046.6740.0055.8340.0050.0040.0090.0085.0040.0040.0085.0088.3385.0085.0085.0090.0085.0085.0085.0085.0085.00
9 064002200020 AISYAH NUR FADHLIA 85.0060.0060.0060.0064.1760.0060.0060.0090.0085.0060.0060.0085.0088.3385.0085.0085.0090.0085.0085.0085.0085.0085.00
10 064002200004 RHENA TABELLA 85.0045.0045.0045.0051.6745.0045.0045.0090.0085.0045.0045.0085.0088.3385.0085.0085.0090.0085.0085.0085.0085.0085.00
11 064002200007 SONYA RIDESIA HASTARI 85.0060.0053.3360.0055.8360.0050.0060.0090.0085.0060.0060.0085.0088.3385.0085.0085.0090.0085.0085.0085.0085.0085.00
12 064002200006 ISKY DWI APRILIANTO 85.0055.0055.0055.0060.0055.0055.0055.0090.0085.0055.0055.0085.0088.3385.0085.0085.0090.0085.0085.0085.0085.0085.00
13 064002200009 ADRIAN ALFAJRI 85.0072.0084.0072.0089.1772.0090.0072.0090.0085.0072.0072.0085.0088.3385.0085.0090.0090.0085.0085.0085.0089.3185.00
14 064002200008 CHAESA NAMIDA ARUMDAPTA 85.0040.0046.6740.0055.8340.0050.0040.0090.0085.0040.0040.0085.0088.3385.0085.0085.0090.0085.0085.0085.0085.0085.00
15 064002200012 CANDY SOEKA WIYONO 85.0040.0040.0040.0047.5040.0040.0040.0090.0085.0040.0040.0085.0088.3385.0085.0085.0090.0085.0085.0085.0085.0085.00
16 064002200046 ADRIANSYAH MAULANA PUTRA 85.0050.0046.6750.0051.6750.0045.0050.0090.0085.0050.0050.0085.0088.3385.0085.0085.0090.0085.0085.0085.0085.0085.00
17 064002200043 ADRIAN HALIM 85.0045.0048.3345.0055.8345.0050.0045.0090.0080.0045.0045.0080.0086.6785.0085.0085.0090.0080.0080.0080.0085.0080.00
18 064002200005 GELLENT ARDIANSYAH 85.0075.0055.0075.0051.6775.0045.0075.0090.0085.0075.0075.0085.0088.3385.0085.0085.0090.0085.0085.0085.0085.0085.00
19 064002200049 RODRICK KIEDIES 85.0040.0043.3340.0051.6740.0045.0040.0090.0082.0040.0040.0082.0087.3385.0085.0085.0090.0082.0082.0082.0085.0082.00
20 064002200034 MAULANA HAFIZH ARIPUTRA 85.0040.0043.3340.0051.6740.0045.0040.0090.0082.0040.0040.0082.0087.3385.0085.0090.0090.0082.0082.0082.0089.3182.00
21 064002200031 ALBIHAN 85.0040.0040.0040.0047.5040.0040.0040.0090.0080.0040.0040.0080.0086.6785.0085.0085.0090.0080.0080.0080.0085.0080.00
22 064002200025 MUHAMMAD ZIDDAN FADILLAH 85.0045.0055.0045.0064.1745.0060.0045.0090.0082.0045.0045.0082.0087.3385.0085.0085.0090.0082.0082.0082.0085.0082.00
23 064002200002 JOSUA WARMAN SIGALINGGING 85.0045.0055.0045.0064.1745.0060.0045.0090.0085.0045.0045.0085.0088.3385.0085.0085.0090.0085.0085.0085.0085.0085.00
24 064002200022 ARZENDRA AZFA YODHATAMA 0.0053.0053.0053.000.0053.000.0053.000.000.0053.0053.000.000.0085.0085.000.0085.000.000.000.0085.000.00
25 064001900025 DORRYS LUBIS 85.000.000.000.0085.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.00
26 064002300037 NAUFAL FAWWAZ 85.0040.0063.3340.0076.6740.0075.0040.0090.0085.0040.0040.0085.0088.3385.0085.0085.0090.0085.0085.0085.0085.0085.00
27 064001900005 SYALOOM JEREMIA TOGAR TUA 0.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.00

6. EVALUASI DAN ANALISIS HASIL PROSES PEMBELAJARAN

Sebutkan faktor dari DOSEN yang mungkin menyebabkan ketidaktercapaian CPMK (silakan pilih lebih dari 1)

Kesiapan dosen untuk melakukan tatap muka perkuliahan
Jumlah kehadiran dosen dalam tatap muka perkuliahan
Keterampilan dan kemampuan dosen untuk menjadi fasilitator belajar yang baik untuk mahasiswa
Kesesuaian kompetensi dosen pada mata kuliah yang diampu
Kondisi Kesehatan jiwa dan raga dosen
Lainnya sebutkan

Apa rencana tindak lanjut perbaikan dari faktor DOSEN yang mungkin menyebabkan ketidaktercapaian CPMK mata kuliah anda? (silakan pilih lebih dari 1)

Menyiapkan dan mengupload materi setidaknya sampai dengan tatap muka ke-7 ke LMS/GCR
Menyegarkan dan memperbarui handout/materi kuliah yang akan disampaikan
Merencanakan dengan cermat jadwal kegiatan/tugas di luar mengajar
Memberikan kuliah pengganti sesegera mungkin saat ada kegiatan mendadak yang menyebabkan tidak dapat hadir mengajar
Meningkatkan kompetensi diri dengan mengikuti pelatihan manajemen kelas / metode pembelajaran
Mengupayakan peningkatan kesehatan jiwa dan raga
Lebih banyak mengikuti forum akademik untuk peningkatan wawasan dan updating perkembangan ilmu pada bidang yang diminati dan menunjang tugas pengajaran
Lainnya, sebutkan

Sebutkan faktor dari MAHASISWA yang mungkin menyebabkan ketidaktercapaian CPMK (silakan pilih lebih dari 1)

Motivasi mahasiswa dalam mengikuti perkuliahan dan mengumpulkan tugas
Kemampuan literasi
Kemampuan numerasi
Kemampuan analisis dan sintesis
Tipe kepribadian dan gaya belajar mahasiswa yang tidak sesuai dengan gaya mengajar dosen
Ketersediaan fasilitas belajar pribadi seperti komputer, jaringan internet, dll di rumah
Lainnya, sebutkan

Apa usulan/rencana tindak lanjut perbaikan dari faktor MAHASISWA yang mungkin menyebabkan ketidaktercapaian CPMK mata kuliah anda? (silakan pilih lebih dari 1)

Memberikan panduan pengenalan gaya belajar sesuai dengan tipe kepribadian mahasiswa
Memberikan pesan-pesan motivasi untuk mahasiswa pada sesi perkuliahan
Memberikan lebih banyak tugas membaca untuk meningkatkan kemampuan literasi
Mengenalkan tools yang akan membantu mahasiswa dalam kemampuan numerasinya
Memberikan lebih banyak latihan dan tugas yang menstimulasi dan menigkatkan kemampuan analisis dan sintesis
Mendorong mahasiswa untuk memanfaatkan fasilitas perkuliahan yang disediakan oleh kampus, seperti ruang belajar di perpustakaan dan laboratorium
Lainnya, sebutkan

Sebutkan faktor PENDUKUNG PERKULIAHAN yang mungkin menyebabkan ketidaktercapaian CPMK (silakan pilih lebih dari 1)

Kualitas bahan ajar
Kuantitas bahan ajar
Kelayakan dan kecukupan referensi yang digunakan
Metode pembelajaran yang diterapkan di kelas
Fasilitas LMS untuk perkuliahan
Ruang kelas yang memadai untuk perkuliahan yang nyaman
Lainnya, sebutkan

Apa usulan/rencana tindak lanjut perbaikan dari faktor PENDUKUNG PERKULIAHAN yang mungkin menyebabkan ketidaktercapaian CPMK mata kuliah anda? (silakan pilih lebih dari 1)

Mengupayakan dan memberikan bahan ajar yang cukup JUMLAH DAN RAGAMNYA , seperti handout, modul, artikel ilmiah, video pembelajaran, buku ajar, dll
Mengupayakan dan memberikan bahan ajar yang BERKUALITAS
Meningkatkan fleksibilitas pada pilihan metode pembelajaran yang digunakan di kelas
Menggunakan LMS Trisakti atau GCR dan menggunakan fitur-fiturnya secara maksimal untuk kemudahan dalam penyampaian bahan kuliah, pengumpulan dan penilaian tugas
Melakukan pembelajaran di luar kampus sebagai variasi tatap muka
Lainnya, sebutkan


EVALUASI Lainya


TINDAK LANJUT Lainya

7. LAMPIRAN:

Berkas berikut dapat dilampirkan pada portofolio mata kuliah :
1) Daftar hadir mahasiswa
2) Berita acara perkuliahan
3) Soal tugas, UTS, UAS, kuiz dll.
4) Contoh hasil tugas mahasiswa (nilai terendah, tengah, tertinggi)
5) Contoh hasil kuis mahasiswa (nilai terendah, tengah, tertinggi)
6) Contoh hasil UTS mahasiswa (nilai terendah, tengah, tertinggi)
7) Contoh hasil UAS mahasiswa (nilai terendah, tengah, tertinggi)
8) Rekapitulasi kuesioner survey kepuasan mahasiswa

Jakarta, 07-03-2024
Dosen Mata Kuliah,




(2435 Abdul Rochman, M.Kom.)