Document

PORTOFOLIO MATA KULIAH

Nama Mata Kuliah : Neural Network and Deep Learning
Kode Mata Kuliah : IKS6336
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 : 58 mahasiswa

Program Studi TEKNIK INFORMATIKA

Fakultas TEKNOLOGI INDUSTRI

Universitas Trisakti

Mar 2024

PORTOFOLIO MATA KULIAH

NAMA MATA KULIAH : Neural Network and Deep Learning
KODE MATA KULIAH : IKS6336
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
NEURAL NETWORK AND DEEP LEARNING
Tahun Akademik: Gasal 2023/2024 (R)
Program Studi TEKNIK INFORMATIKA
Fakultas TEKNOLOGI INDUSTRI
Kode:
IKS6336 		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 konsep neural network dan deep learning
KU.2 KU2.CPMK-2 Mahasiswa mampu mengevaluasi kinerja berbagai model jaringan syaraf dan deep learning
KK.4 KK4.CPMK-3 Mahasiswa mampu menerapkan algoritma neural network dan deep learning untuk menyelesaikan masalah di industri
Tabel 4. Sub Capaian Pembelajaran Mata Kuliah
KODE CPL KODE CPMK DESKRIPSI Sub CPMK
P.2 P2.CPMK-1
P2.CPMK-1.1 Mahasiswa mampu menjelaskan konsep jaringan syaraf perceptron
P2.CPMK-1.2 Mahasiwa mampu menjelaskan konsep jaringan syaraf multi layer perceptron
P2.CPMK-1.3 Mahasiwa mampu menjelaskan konsep Convolutional Neural Network(CNN)
P2.CPMK-1.4 Mahasiwa mampu menjelaskan konsep Recurrent Neural Network(RNN)
KU.2 KU2.CPMK-2
KU2.CPMK-2.1 Mahasiswa memahami dan menerapkan evaluasi kinerja untuk prediksi
KU2.CPMK-2.2 Mahasiswa memahami dan menerapkan evaluasi kinerja untuk klasifikasi
KU2.CPMK-2.3 Mahasiswa memahami dan menerapkan hyperparamter tuning
KK.4 KK4.CPMK-3
KK4.CPMK-3.1 Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan prediksi
KK4.CPMK-3.2 Mahasiswa mampu menerapkan model deep learning CNN untuk permasalahan klasifikasi dengan input berupa citra
KK4.CPMK-3.3 Mahasiswa mampu menerapkan model deep learning CNN untuk permasalahan deteksi objek
KK4.CPMK-3.4 Mahasiswa mampu menerapkan model RNN untuk permasalahan predeksi data sekuen
KK4.CPMK-3.5 Mahasiswa mampu menerapkan model RNN untuk permasalahan sentimen analisis
KK4.CPMK-3.6 Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi multi kelas
KK4.CPMK-3.7 Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi dengan input berupa citra
KK4.CPMK-3.8 Mahasiswa mampu menerapkan model pre-train deep learning CNN untuk permasalahan deteksi objek
KK4.CPMK-3.9 Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi dua kelas

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/IKS6336

Program Studi : TEKNIK INFORMATIKA Semester : Gasal 2023/2024 (R);Jenis Mata Kuliah : Wajib     Kode Mata Kuliah : IKS6336     SKS : 3.00
Mata Kuliah : Neural Network and Deep 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 mampu menjelaskan konsep jaringan syaraf perceptron
Neural Network Perceptron
- Model Neuron
- Fungsi Aktivasi
- Perceptron learning
- Gradient descent learning

  • Tutorial
  • Diskusi
 150.00 Mahasiswa menulis perhitungan pembelajaran perceptron
  • Ujian Tengah Semester - 4.50 %
  • Tugas - 2.50 %
2
  1. Mahasiwa mampu menjelaskan konsep jaringan syaraf multi layer perceptron
 Multilayer Perceptron (MLP)
- Metode Gradient Descent
- Backpropagation Learning

  • Tutorial
  • Diskusi
 150.00 Mahasiswa menulis perhitungan pembelajaran backpropagation
  • Ujian Tengah Semester - 4.50 %
  • Tugas - 2.50 %
3
  1. Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan prediksi
 Studi Kasus: Regresi dengan output kontinu menggunakan MLP

Evaluasi kinerja: RMSE dan R-kuadrat
  • Tutorial
  • Diskusi
 150.00 Menerapkan model MLP untuk permasalahan prediksi dengan output bilangan kontinu menggunakan pustaka sckit-learn
  • Tugas - 5.00 %
4
  1. Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi dua kelas
 Studi kasus: Klasifikasi biner menggungakan MLP

Evaluasi kinerja: akurasi, confusion Matriks

  • Tutorial
  • Diskusi
 150.00 Menerapkan model MLP untuk permasalahan klasifikasi biner menggunakan pustaka sckit-learn
  • Tugas - 5.00 %
5
  1. Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi multi kelas
 Studi Kasus: Klasifikasi multi kelas memnggunakan MLP

Fungsi Aktivasi: Softmax
  • Tutorial
  • Diskusi
 150.00 Menerapkan model MLP untuk permasalahan klasifikasi Multi kelas menggunakan pustaka sckit-learn
  • Tugas - 5.00 %
6
  1. Mahasiswa memahami dan menerapkan evaluasi kinerja untuk klasifikasi
  2. Mahasiswa memahami dan menerapkan evaluasi kinerja untuk prediksi
 Evaluasi Model
- Prosedur: train, test dan validation dataset; cross-validation
- Metriks: Precision, Recall, F-1 score

Learning Curve: overvit,underfit dan goodfit model

  • Tutorial
  • Diskusi
 150.00 Memahami prosedur dan metriks evaluasi model
  • Ujian Tengah Semester - 8.00 %
7
  1. Mahasiswa memahami dan menerapkan hyperparamter tuning
 Tuning parameter:
- Optimasi: Momentum, SGD, Adam, RMSprop
- Dropout
  • Tutorial
  • Diskusi
 150.00 Mahasiswa memahami optimasi dan tuning parameter
  • Ujian Tengah Semester - 8.00 %
8
  1. Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi dengan input berupa citra
 Tesorflow dan Keras

Studi kasus: Pengenalan citra digit tulis tangan(MNIST) menggunakan MLP

  • Tutorial
  • Diskusi
 150.00 Menerapkan model Multilayer Perceptron untuk kasus pengenalan citra digit tulis tangan(MNIST) menggunakan pustaka Tensorflow & keras
  • Tugas - 5.00 %
9
  1. Mahasiswa mampu menerapkan model deep learning CNN untuk permasalahan klasifikasi dengan input berupa citra
  2. Mahasiwa mampu menjelaskan konsep Convolutional Neural Network(CNN)
 Deeplearning vs Machine Learning

Convolution Neural Network(CNN)

Studi kasus: Pengenalan citra digit tulis tangan(MNIST) menggunakan CNN

  • Tutorial
  • Diskusi
 150.00 Menerapkan model CNN untuk kasus pengenalan citra digit tulis tangan(MNIST) menggunakan pustaka Tensorflow & keras
  • Ujian Akhir Semester - 12.50 %
  • Tugas - 5.00 %
10
  1. Mahasiswa mampu menerapkan model deep learning CNN untuk permasalahan deteksi objek
 Model Deeplearning untuk deteksi objek

Studi kasus: Deteksi objek menggunakan model deeplearning MTCNN
  • Tutorial
  • Diskusi
 150.00 Menerapkan model deeplearning MTCNN untuk kasus deteksi objek
  • Tugas - 5.00 %
11
  1. Mahasiswa mampu menerapkan model pre-train deep learning CNN untuk permasalahan deteksi objek
 Studi kasus: Deteksi objek menggunakan pre-train CNN model
  • Tutorial
  • Diskusi
 150.00 Menerapkan pre-train CNN model untuk kasus deteksi objek
  • Tugas - 5.00 %
12
  1. Mahasiwa mampu menjelaskan konsep Recurrent Neural Network(RNN)
 Recurrent Neural Network (RNN)
Long Short Term Memory (LSTM)
  • Tutorial
  • Diskusi
 150.00 Memahami konsep RNN dan LSTM
  • Ujian Akhir Semester - 12.50 %
13
  1. Mahasiswa mampu menerapkan model RNN untuk permasalahan predeksi data sekuen
 Studi kasus: Prediksi data time series menggunakan RNN/LSTM
  • Tutorial
  • Diskusi
 150.00 Menerapkan RNN/LSTM untuk memprediksi data time series
  • Tugas - 5.00 %
14
  1. Mahasiswa mampu menerapkan model RNN untuk permasalahan sentimen analisis
 Studi kasus: Sentimen Analisis menggunakan RNN/LSTM
  • Tutorial
  • Diskusi
 150.00 Menerapkan RNN/LSTM untuk permasalahan Sentimen Analisis
  • Tugas - 5.00 %

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
Neural Network and Deep Learning 2435 Abdul Rochman, M.Kom. ; Thursday 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: Ujian Tengah Semester (4.50%)
Minggu ke-1 Assessment: Tugas (2.50%)
HEIGHT P.2 P2.CPMK-1 P2.CPMK-1.2 Minggu ke-2 Assessment: Tugas (2.50%)
Minggu ke-2 Assessment: Ujian Tengah Semester (4.50%)
HEIGHT P.2 P2.CPMK-1 P2.CPMK-1.3 Minggu ke-9 Assessment: Ujian Akhir Semester (12.50%)
HEIGHT P.2 P2.CPMK-1 P2.CPMK-1.4 Minggu ke-12 Assessment: Ujian Akhir Semester (12.50%)
HEIGHT KU.2 KU2.CPMK-2 KU2.CPMK-2.1 Minggu ke-6 Assessment: Ujian Tengah Semester (3.00%)
HEIGHT KU.2 KU2.CPMK-2 KU2.CPMK-2.2 Minggu ke-6 Assessment: Ujian Tengah Semester (5.00%)
HEIGHT KU.2 KU2.CPMK-2 KU2.CPMK-2.3 Minggu ke-7 Assessment: Ujian Tengah Semester (8.00%)
LOW KK.4 KK4.CPMK-3 KK4.CPMK-3.1 Minggu ke-3 Assessment: Tugas (5.00%)
LOW KK.4 KK4.CPMK-3 KK4.CPMK-3.2 Minggu ke-9 Assessment: Tugas (5.00%)
LOW KK.4 KK4.CPMK-3 KK4.CPMK-3.3 Minggu ke-10 Assessment: Tugas (5.00%)
LOW KK.4 KK4.CPMK-3 KK4.CPMK-3.4 Minggu ke-13 Assessment: Tugas (5.00%)
LOW KK.4 KK4.CPMK-3 KK4.CPMK-3.5 Minggu ke-14 Assessment: Tugas (5.00%)
LOW KK.4 KK4.CPMK-3 KK4.CPMK-3.6 Minggu ke-5 Assessment: Tugas (5.00%)
LOW KK.4 KK4.CPMK-3 KK4.CPMK-3.7 Minggu ke-8 Assessment: Tugas (5.00%)
LOW KK.4 KK4.CPMK-3 KK4.CPMK-3.8 Minggu ke-11 Assessment: Tugas (5.00%)
LOW KK.4 KK4.CPMK-3 KK4.CPMK-3.9 Minggu ke-4 Assessment: Tugas (5.00%)
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-1.1 4.50%
 4.5%
P.2 P2.CPMK-1 P2.CPMK-1.2 4.50%
 4.5%
KU.2 KU2.CPMK-2 KU2.CPMK-2.1 3.00%
 3%
KU.2 KU2.CPMK-2 KU2.CPMK-2.2 5.00%
 5%
KU.2 KU2.CPMK-2 KU2.CPMK-2.3 8.00%
 8%
TOTAL 25%
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 12.50%
 12.5%
P.2 P2.CPMK-1 P2.CPMK-1.4 12.50%
 12.5%
TOTAL 25%
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
P.2 P2.CPMK-1 P2.CPMK-1.1 2.50%
 2.5%
P.2 P2.CPMK-1 P2.CPMK-1.2 2.50%
 2.5%
KK.4 KK4.CPMK-3 KK4.CPMK-3.1 5.00%
 5%
KK.4 KK4.CPMK-3 KK4.CPMK-3.2 5.00%
 5%
KK.4 KK4.CPMK-3 KK4.CPMK-3.3 5.00%
 5%
KK.4 KK4.CPMK-3 KK4.CPMK-3.4 5.00%
 5%
KK.4 KK4.CPMK-3 KK4.CPMK-3.5 5.00%
 5%
KK.4 KK4.CPMK-3 KK4.CPMK-3.6 5.00%
 5%
KK.4 KK4.CPMK-3 KK4.CPMK-3.7 5.00%
 5%
KK.4 KK4.CPMK-3 KK4.CPMK-3.8 5.00%
 5%
KK.4 KK4.CPMK-3 KK4.CPMK-3.9 5.00%
 5%
TOTAL 50%
Tabel 12. Pemetaan Rencana Penilaian Setiap Instrument Penilaian
Materi Sesi Minggu Ke - TOTAL
M1 M2 M9 M12 M6 M7 M3 M10 M13 M14 M5 M8 M11 M4
Komponen UTS TG TG UTS UAS TG UAS UTS UTS TG TG TG TG TG TG TG TG
CPL CPMK Sub CPMK A1A2A3A4A5A6A7A8A9A10A11A12A13A14A15A16A17 Bobot
P.2 P2.CPMK-1 P2.CPMK-1.1 4.50%2.50% 7%
P.2 P2.CPMK-1 P2.CPMK-1.2 2.50%4.50% 7%
P.2 P2.CPMK-1 P2.CPMK-1.3 12.50% 12.5%
P.2 P2.CPMK-1 P2.CPMK-1.4 12.50% 12.5%
KU.2 KU2.CPMK-2 KU2.CPMK-2.1 3.00% 3%
KU.2 KU2.CPMK-2 KU2.CPMK-2.2 5.00% 5%
KU.2 KU2.CPMK-2 KU2.CPMK-2.3 8.00% 8%
KK.4 KK4.CPMK-3 KK4.CPMK-3.1 5.00% 5%
KK.4 KK4.CPMK-3 KK4.CPMK-3.2 5.00% 5%
KK.4 KK4.CPMK-3 KK4.CPMK-3.3 5.00% 5%
KK.4 KK4.CPMK-3 KK4.CPMK-3.4 5.00% 5%
KK.4 KK4.CPMK-3 KK4.CPMK-3.5 5.00% 5%
KK.4 KK4.CPMK-3 KK4.CPMK-3.6 5.00% 5%
KK.4 KK4.CPMK-3 KK4.CPMK-3.7 5.00% 5%
KK.4 KK4.CPMK-3 KK4.CPMK-3.8 5.00% 5%
KK.4 KK4.CPMK-3 KK4.CPMK-3.9 5.00% 5%
TOTAL 4.5 2.5 2.5 4.5 12.5 5 12.5 8 8 5 5 5 5 5 5 5 5 100
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 UTS TG
P.2 P2.CPMK-1 P2.CPMK-1.2 TG UTS
P.2 P2.CPMK-1 P2.CPMK-1.3 UAS
P.2 P2.CPMK-1 P2.CPMK-1.4 UAS
KU.2 KU2.CPMK-2 KU2.CPMK-2.1 UTS
KU.2 KU2.CPMK-2 KU2.CPMK-2.2 UTS
KU.2 KU2.CPMK-2 KU2.CPMK-2.3 UTS
KK.4 KK4.CPMK-3 KK4.CPMK-3.1 TG
KK.4 KK4.CPMK-3 KK4.CPMK-3.2 TG
KK.4 KK4.CPMK-3 KK4.CPMK-3.3 TG
KK.4 KK4.CPMK-3 KK4.CPMK-3.4 TG
KK.4 KK4.CPMK-3 KK4.CPMK-3.5 TG
KK.4 KK4.CPMK-3 KK4.CPMK-3.6 TG
KK.4 KK4.CPMK-3 KK4.CPMK-3.7 TG
KK.4 KK4.CPMK-3 KK4.CPMK-3.8 TG
KK.4 KK4.CPMK-3 KK4.CPMK-3.9 TG
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-1.1Mahasiswa mampu menjelaskan konsep jaringan syaraf perceptron
Indikator Kinerja: Mampu menjelaskan konsep jaringan syaraf perceptron
Performance Indicator: Able to explain the concept of perceptron neural networks 		Rubrik Penilaian
Tidak ada rubrik penilaian
P.2 P2.CPMK-1 P2.CPMK-1.2Mahasiwa mampu menjelaskan konsep jaringan syaraf multi layer perceptron
Indikator Kinerja: Mampu menjelaskan konsep jaringan syaraf perceptron
Performance Indicator: Able to explain the concept of perceptron neural networks 		Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Mampu menjelaskan konsep jaringan syaraf multi layer
Performance Indicator: Able to explain the concept of multilayer neural networks 		Rubrik Penilaian
Tidak ada rubrik penilaian
KU.2 KU2.CPMK-2 KU2.CPMK-2.1Mahasiswa memahami dan menerapkan evaluasi kinerja untuk prediksi
Indikator Kinerja: Memahami dan menerapkan evaluasi kinerja untuk prediksi
Performance Indicator: Understand and apply performance evaluation for predictions 		Rubrik Penilaian
Tidak ada rubrik penilaian
KU.2 KU2.CPMK-2 KU2.CPMK-2.2Mahasiswa memahami dan menerapkan evaluasi kinerja untuk klasifikasi
Indikator Kinerja: Memahami dan menerapkan evaluasi kinerja untuk prediksi
Performance Indicator: Understand and apply performance evaluation for predictions 		Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Memahami dan menerapkan evaluasi kinerja untuk klasifikasi
Performance Indicator: Understand and apply performance evaluation for classification 		Rubrik Penilaian
Tidak ada rubrik penilaian
KU.2 KU2.CPMK-2 KU2.CPMK-2.3Mahasiswa memahami dan menerapkan hyperparamter tuning
Indikator Kinerja: Memahami dan menerapkan evaluasi kinerja untuk prediksi
Performance Indicator: Understand and apply performance evaluation for predictions 		Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Memahami dan menerapkan evaluasi kinerja untuk klasifikasi
Performance Indicator: Understand and apply performance evaluation for classification 		Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Memahami dan menerapkan hyperparamter tuning
Performance Indicator: Understand and apply hyperparameter tuning		 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-1.3Mahasiwa mampu menjelaskan konsep Convolutional Neural Network(CNN)
Indikator Kinerja: Mampu menjelaskan konsep Convolutional Neural Network(CNN)
Performance Indicator: able to explain the concept of Convolutional Neural Network(CNN)		 Rubrik Penilaian
Tidak ada rubrik penilaian
P.2 P2.CPMK-1 P2.CPMK-1.4Mahasiwa mampu menjelaskan konsep Recurrent Neural Network(RNN)
Indikator Kinerja: Mampu menjelaskan konsep Convolutional Neural Network(CNN)
Performance Indicator: able to explain the concept of Convolutional Neural Network(CNN)		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Mampu menjelaskan konsep Recurrent Neural Network(RNN)
Performance Indicator: Able to explain the concept of Recurrent Neural Network(RNN) 		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 16 27.59
A- 6 10.34
B+ 14 24.14
B 10 17.24
B- 6 10.34
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 mampu menjelaskan konsep jaringan syaraf perceptron 		13 9 4 3 89.66
P2.CPMK-1.2
Mahasiwa mampu menjelaskan konsep jaringan syaraf multi layer perceptron 		13 9 4 3 89.66
P2.CPMK-1.3
Mahasiwa mampu menjelaskan konsep Convolutional Neural Network(CNN) 		0 3 10 16 44.83
P2.CPMK-1.4
Mahasiwa mampu menjelaskan konsep Recurrent Neural Network(RNN) 		0 3 10 16 44.83
KU2.CPMK-2.1
Mahasiswa memahami dan menerapkan evaluasi kinerja untuk prediksi 		7 10 5 7 75.86
KU2.CPMK-2.2
Mahasiswa memahami dan menerapkan evaluasi kinerja untuk klasifikasi 		7 10 5 7 75.86
KU2.CPMK-2.3
Mahasiswa memahami dan menerapkan hyperparamter tuning 		7 10 5 7 75.86
KK4.CPMK-3.1
Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan prediksi 		26 0 0 3 89.66
KK4.CPMK-3.2
Mahasiswa mampu menerapkan model deep learning CNN untuk permasalahan klasifikasi dengan input berupa citra 		26 0 0 3 89.66
KK4.CPMK-3.3
Mahasiswa mampu menerapkan model deep learning CNN untuk permasalahan deteksi objek 		26 0 0 3 89.66
KK4.CPMK-3.4
Mahasiswa mampu menerapkan model RNN untuk permasalahan predeksi data sekuen 		26 0 0 3 89.66
KK4.CPMK-3.5
Mahasiswa mampu menerapkan model RNN untuk permasalahan sentimen analisis 		26 0 0 3 89.66
KK4.CPMK-3.6
Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi multi kelas 		26 0 0 3 89.66
KK4.CPMK-3.7
Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi dengan input berupa citra 		26 0 0 3 89.66
KK4.CPMK-3.8
Mahasiswa mampu menerapkan model pre-train deep learning CNN untuk permasalahan deteksi objek 		26 0 0 3 89.66
KK4.CPMK-3.9
Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi dua kelas 		26 0 0 3 89.66
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 mampu menjelaskan konsep jaringan syaraf perceptron
TG26
(100.00 %)		000100
(384.62 %)
UTS7
(26.92 %)		10
(38.46 %)		5
(19.23 %)		4
(15.38 %)		84.62
(325.46 %)
Mahasiwa mampu menjelaskan konsep jaringan syaraf multi layer perceptron
TG26
(100.00 %)		000100
(384.62 %)
UTS7
(26.92 %)		10
(38.46 %)		5
(19.23 %)		4
(15.38 %)		84.62
(325.46 %)
Mahasiwa mampu menjelaskan konsep Convolutional Neural Network(CNN)
UAS03
(11.54 %)		10
(38.46 %)		13
(50.00 %)		50
(192.31 %)
Mahasiwa mampu menjelaskan konsep Recurrent Neural Network(RNN)
UAS03
(11.54 %)		10
(38.46 %)		13
(50.00 %)		50
(192.31 %)
Mahasiswa memahami dan menerapkan evaluasi kinerja untuk prediksi
UTS7
(26.92 %)		10
(38.46 %)		5
(19.23 %)		4
(15.38 %)		84.62
(325.46 %)
Mahasiswa memahami dan menerapkan evaluasi kinerja untuk klasifikasi
UTS7
(26.92 %)		10
(38.46 %)		5
(19.23 %)		4
(15.38 %)		84.62
(325.46 %)
Mahasiswa memahami dan menerapkan hyperparamter tuning
UTS7
(26.92 %)		10
(38.46 %)		5
(19.23 %)		4
(15.38 %)		84.62
(325.46 %)
Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan prediksi
TG26
(100.00 %)		000100
(384.62 %)
Mahasiswa mampu menerapkan model deep learning CNN untuk permasalahan klasifikasi dengan input berupa citra
TG26
(100.00 %)		000100
(384.62 %)
Mahasiswa mampu menerapkan model deep learning CNN untuk permasalahan deteksi objek
TG26
(100.00 %)		000100
(384.62 %)
Mahasiswa mampu menerapkan model RNN untuk permasalahan predeksi data sekuen
TG26
(100.00 %)		000100
(384.62 %)
Mahasiswa mampu menerapkan model RNN untuk permasalahan sentimen analisis
TG26
(100.00 %)		000100
(384.62 %)
Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi multi kelas
TG26
(100.00 %)		000100
(384.62 %)
Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi dengan input berupa citra
TG26
(100.00 %)		000100
(384.62 %)
Mahasiswa mampu menerapkan model pre-train deep learning CNN untuk permasalahan deteksi objek
TG26
(100.00 %)		000100
(384.62 %)
Mahasiswa mampu menerapkan model Multilayer Perceptron untuk permasalahan klasifikasi dua kelas
TG26
(100.00 %)		000100
(384.62 %)

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 KU2.CPMK-2.1 Perpenilaian
Gambar 8. Analisis Ketercapaian Sub KU2.CPMK-2.1 Per Teknik Penilaian


Capaian Sub-CPMK KU2.CPMK-2.2 Perpenilaian
Gambar 9. Analisis Ketercapaian Sub KU2.CPMK-2.2 Per Teknik Penilaian


Capaian Sub-CPMK KU2.CPMK-2.3 Perpenilaian
Gambar 10. Analisis Ketercapaian Sub KU2.CPMK-2.3 Per Teknik Penilaian


Capaian Sub-CPMK KK4.CPMK-3.1 Perpenilaian
Gambar 11. Analisis Ketercapaian Sub KK4.CPMK-3.1 Per Teknik Penilaian


Capaian Sub-CPMK KK4.CPMK-3.2 Perpenilaian
Gambar 12. Analisis Ketercapaian Sub KK4.CPMK-3.2 Per Teknik Penilaian


Capaian Sub-CPMK KK4.CPMK-3.3 Perpenilaian
Gambar 13. Analisis Ketercapaian Sub KK4.CPMK-3.3 Per Teknik Penilaian


Capaian Sub-CPMK KK4.CPMK-3.4 Perpenilaian
Gambar 14. Analisis Ketercapaian Sub KK4.CPMK-3.4 Per Teknik Penilaian


Capaian Sub-CPMK KK4.CPMK-3.5 Perpenilaian
Gambar 15. Analisis Ketercapaian Sub KK4.CPMK-3.5 Per Teknik Penilaian


Capaian Sub-CPMK KK4.CPMK-3.6 Perpenilaian
Gambar 16. Analisis Ketercapaian Sub KK4.CPMK-3.6 Per Teknik Penilaian


Capaian Sub-CPMK KK4.CPMK-3.7 Perpenilaian
Gambar 17. Analisis Ketercapaian Sub KK4.CPMK-3.7 Per Teknik Penilaian


Capaian Sub-CPMK KK4.CPMK-3.8 Perpenilaian
Gambar 18. Analisis Ketercapaian Sub KK4.CPMK-3.8 Per Teknik Penilaian


Capaian Sub-CPMK KK4.CPMK-3.9 Perpenilaian
Gambar 19. Analisis Ketercapaian Sub KK4.CPMK-3.9 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 		KU2.CPMK-2.1
Std Mark: 56.00 		KU2.CPMK-2.2
Std Mark: 56.00 		KU2.CPMK-2.3
Std Mark: 56.00 		KK4.CPMK-3.1
Std Mark: 56.00 		KK4.CPMK-3.2
Std Mark: 56.00 		KK4.CPMK-3.3
Std Mark: 56.00 		KK4.CPMK-3.4
Std Mark: 56.00 		KK4.CPMK-3.5
Std Mark: 56.00 		KK4.CPMK-3.6
Std Mark: 56.00 		KK4.CPMK-3.7
Std Mark: 56.00 		KK4.CPMK-3.8
Std Mark: 56.00 		KK4.CPMK-3.9
Std Mark: 56.00
1 064002200036 MUHAMMAD FAHMI 80.3680.3665.0065.0075.0075.0075.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
2 064002200010 ANDRI MARTIN 88.0788.0755.0055.0087.0087.0087.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
3 064002200015 PUTRI SYABILLAH 80.3680.3670.0070.0075.0075.0075.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
4 064002200030 VANIA RAHMA DEWI 82.2982.2963.0063.0078.0078.0078.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
5 064002200003 AUDI AULIA 80.3680.3650.0050.0075.0075.0075.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
6 064002200027 TARUM WIDYASTI PERTIWI 85.5085.5067.0067.0083.0083.0083.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
7 064002200020 AISYAH NUR FADHLIA 80.3680.3660.0060.0075.0075.0075.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
8 064002200004 RHENA TABELLA 86.7986.7967.0067.0085.0085.0085.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
9 064002200007 SONYA RIDESIA HASTARI 85.5085.5063.0063.0083.0083.0083.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
10 064002200006 ISKY DWI APRILIANTO 70.7170.7165.0065.0060.0060.0060.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
11 064002200009 ADRIAN ALFAJRI 84.8684.8678.0078.0082.0082.0082.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
12 064002200008 CHAESA NAMIDA ARUMDAPTA 82.2982.2940.0040.0078.0078.0078.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
13 064002200012 CANDY SOEKA WIYONO 57.8657.8645.0045.0040.0040.0040.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
14 064002200024 KHARISMA MAULIDA SAARA 83.5783.5752.0052.0080.0080.0080.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
15 064002200033 JOVITA AMANDA PUTRI SITUMORANG 73.2973.2950.0050.0064.0064.0064.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
16 064002200046 ADRIANSYAH MAULANA PUTRA 75.8675.8670.0070.0068.0068.0068.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
17 064002200043 ADRIAN HALIM 75.3675.3665.0065.0070.0070.0070.0085.0085.0085.0085.0085.0085.0085.0085.0085.00
18 064002200005 GELLENT ARDIANSYAH 70.7170.7145.0045.0060.0060.0060.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
19 064002200049 RODRICK KIEDIES 72.1472.1463.0063.0065.0065.0065.0085.0085.0085.0085.0085.0085.0085.0085.0085.00
20 064002200034 MAULANA HAFIZH ARIPUTRA 77.1477.1440.0040.0070.0070.0070.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
21 064002200031 ALBIHAN 57.8657.8658.0058.0040.0040.0040.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
22 064002200025 MUHAMMAD ZIDDAN FADILLAH 75.2175.2155.0055.0067.0067.0067.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
23 064002200002 JOSUA WARMAN SIGALINGGING 77.1477.1442.0042.0070.0070.0070.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
24 064002200022 ARZENDRA AZFA YODHATAMA 0.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.00
25 064001900025 DORRYS LUBIS 0.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.00
26 064002100032 FADJAR ARIESTIANTO SULEMAN 88.2188.2140.0040.0090.0090.0090.0085.0085.0085.0085.0085.0085.0085.0085.0085.00
27 064002300037 NAUFAL FAWWAZ 64.2964.2940.0040.0050.0050.0050.0090.0090.0090.0090.0090.0090.0090.0090.0090.00
28 064001900005 SYALOOM JEREMIA TOGAR TUA 0.000.000.000.000.000.000.000.000.000.000.000.000.000.000.000.00
29 064002100025 AFFITRA NADINE DEWI 65.7165.7145.0045.0055.0055.0055.0085.0085.0085.0085.0085.0085.0085.0085.0085.00

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.)