Document

PORTOFOLIO MATA KULIAH

Nama Mata Kuliah : Analitik Data Lanjut
Kode Mata Kuliah : ISA6304
Tim Dosen :
  1. 2128 Dr. Dedy Sugiarto
Kelas : 01
Dosen : 2128 Dr. Dedy Sugiarto
Semester : Gasal 2023/2024 (Rmd)
Tahun Akademik : 2023/2024
Jumlah Mahasiswa : 1 mahasiswa

Program Studi SISTEM INFORMASI

Fakultas TEKNOLOGI INDUSTRI

Universitas Trisakti

Feb 2024

PORTOFOLIO MATA KULIAH

NAMA MATA KULIAH : Analitik Data Lanjut
KODE MATA KULIAH : ISA6304
KELAS : SI-01
SEMESTER : Gasal 2023/2024 (Rmd)
DOSEN PENGAMPU : 2128 Dr. Dedy Sugiarto
NAMA DOSEN/TIM DOSEN :
  1. 2128 Dr. Dedy Sugiarto
NAMA KOORDINATOR MATA KULIAH : 2128 Dr. Dedy Sugiarto

1. HALAMAN PENGESAHAN PORTOFOLIO

PORTOFOLIO MATA KULIAH
ANALITIK DATA LANJUT
Tahun Akademik: Gasal 2023/2024 (Rmd)
Program Studi SISTEM INFORMASI
Fakultas TEKNOLOGI INDUSTRI
Kode:
ISA6304 		Bobot (sks):
3.00 sks 		Rumpun MK:
Semester:
GASAL
Penanggungjawab Nama Tanda Tangan Tanggal
Koordinator MK 2128 Dr. Dedy Sugiarto
Koordinator Bidang Keahlian/Ilmu
Ketua Program Studi 2553 Syandra Sari, S.Kom., 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 Memiliki Sikap Tri Krama : etika dan moral personal: Takwa, Tekun, Terampil ; etika dan moral komunal: Asah, Asih, Asuh ; dan etika dan moral masyarakat: Satria, Setia, Sportif. (CPL12 (S.a))
P.1 Mampu memahami dan menggunakan berbagai metodologi pengembangan sistem beserta alat pemodelan sistem dan menganalisa kebutuhan pengguna dalam membangun sistem informasi untuk mencapai tujuan organisasi. (CPL03 (P.a))
KU.1 Memiliki kemampuan soft skill dalam berkomunikasi, berpresentasi dan memiliki etika profesi bisnis, serta kemampuan belajar sepanjang hayat (life long learning). (CPL11 (KU.a))
KK.1 Mampu memahami, menganalisis, menilai konsep dasar dan peran sistem informasi dalam mengelola data yaitu pemfilteran, agregasi dan pengorganisasian dalam analisis dan visualisasi data untuk memberikan rekomendasi pengambilan keputusan pada proses dan sistem organisasi. (CPL01 (KK.a))
KK.2 Mampu merancang dan menggunakan database, serta mengolah dan menganalisa data dengan alat dan teknik pengolahan data. (CPL02 (KK.b))
KK.3 Mampu membuat perencanaan infrastruktur TI, arsitektur jaringan, layanan fisik dan cloud, menganalisa konsep identifikasi, otentikasi, otorisasi akses dalam konteks melindungi orang dan perangkat. (CPL04 (KK.c))
KK.4 Mampu memahami dan menerapkan kode etik dalam penggunaan informasi dan data pada perancangan, implementasi, dan penggunaan suatu sistem. (CPL05 (KK.d))
KK.5 Mampu memahami, mengidentifikasi dan menerapkan konsep, teknik dan metodologi manajemen proyek sistem informasi. (CPL07 (KK.e))
KK.6 Memiliki kemampuan dalam pengelolaan bisnis dengan memanfaatkan teknologi informasi dan memahami model sistem, metode dan berbagai teknik peningkatan bisnis proses yang mendatangkan suatu nilai untuk organisasi. (CPL-8 (KK.f))
KK.7 Memiliki kemampuan dalam melakukan fungsi klasifikasi, klasterisasi, regresi, deteksi anomali, pemfilteran, aggregasi, pembelajaran aturan asosiasi, perangkuman, baik secara deskriptif maupun prediktif di dalam memahami masalah data secara tepat dengan memahami konsep, metode, teknik dan tahapan data mining serta visualisasi data sebagai pengetahuan. (CPL09 (KK.g))
KK.8 Memiliki kemampuan untuk merencanakan manajemen pengujian, kontrol kualitas Software dan menggambarkan dalam diagram cause & effect. (CPL10 (KK.h))
KK.9 Memiliki kemampuan merencanakan, menerapkan, memelihara dan meningkatkan sistem informasi organisasi untuk mencapai tujuan dan sasaran organisasi yang strategis baik jangka pendek maupun jangka panjang. (CPL06 (KK.i))
Tabel 2. Capaian Pembelajaran Lulusan yang Dibebankan pada Mata Kuliah
KODE DESKRIPSI CPL
KK.1 Mampu memahami, menganalisis, menilai konsep dasar dan peran sistem informasi dalam mengelola data yaitu pemfilteran, agregasi dan pengorganisasian dalam analisis dan visualisasi data untuk memberikan rekomendasi pengambilan keputusan pada proses dan sistem organisasi. (CPL01 (KK.a))
KK.2 Mampu merancang dan menggunakan database, serta mengolah dan menganalisa data dengan alat dan teknik pengolahan data. (CPL02 (KK.b))
KK.7 Memiliki kemampuan dalam melakukan fungsi klasifikasi, klasterisasi, regresi, deteksi anomali, pemfilteran, aggregasi, pembelajaran aturan asosiasi, perangkuman, baik secara deskriptif maupun prediktif di dalam memahami masalah data secara tepat dengan memahami konsep, metode, teknik dan tahapan data mining serta visualisasi data sebagai pengetahuan. (CPL09 (KK.g))
Tabel 3. Pemetaan Keterkaitan Capaian Pembelajaran Mata Kuliah dengan CPL
KODE CPL KODE CPMK DESKRIPSI CPMK
KK.1 KK1.CPMK-1 Membuat rekomendasi pengambilan keputusan pada proses dan sistem organisasi berdasarkan analitik lanjut / big data
KK.2 KK2.CPMK-2 Membuat aplikasi analitik data menggunakan python
KK.7 KK7.CPMK-3 Melakukan analisis regresi, klasifikasi serta visualisasi data dari data numerik/teks dan big data
Tabel 4. Sub Capaian Pembelajaran Mata Kuliah
KODE CPL KODE CPMK DESKRIPSI Sub CPMK
KK.1 KK1.CPMK-1
KK1.CPMK-1.1 KAD 14 Mempresentasikan aplikasi analitik data lanjut yang berisi rekomendasi pengambilan keputusan pada proses dan sistem organisasi
KK.2 KK2.CPMK-2
KK2.CPMK-2.1 KAD 1 Memahami konsep analitik big data dan contoh penerapan pada berbagai bidang
KK2.CPMK-2.2 KAD 2 Menerapkan data wrangling lanjut
KK2.CPMK-2.3 KAD 3 Melakukan analisis multivariat dengan target numerik : regresi berganda
KK2.CPMK-2.4 KAD 4 Melakukan analisis multivariat dengan target kategorik : regresi logistik
KK2.CPMK-2.5 KAD 5 Melakukan analisis data spasial
KK2.CPMK-2.6 KAD 6 Membuat visualisasi data menggunakan python
KK2.CPMK-2.7 KAD 7 Membuat aplikasi analitik data berbasis python
KK.7 KK7.CPMK-3
KK7.CPMK-3.1 KAD 8 Menerapkan dasar-dasar komputasi cluster menggunakan a lingkungan kluster virtual melalui VirtualBox dan Vagrant : single virtual machine
KK7.CPMK-3.2 KAD 9 Menerapkan dasar-dasar komputasi cluster menggunakan a lingkungan kluster virtual melalui VirtualBox dan Vagrant : multiple virtual machine
KK7.CPMK-3.3 KAD 10 Melakukan analitik dan visualisasi big data menggunakan pyspark
KK7.CPMK-3.4 KAD 11 Melakukan analitik big data menggunakan pyspark dengan machine learning library
KK7.CPMK-3.5 KAD 12 Melakukan analitik teks, prapemrosesan data teks, word embedding dan vektorisasi teks
KK7.CPMK-3.6 KAD 13 Membuat analisis sentimen dan pemodelan topik

3. RENCANA PEMBELAJARAN SEMESTER (RPS)

3.1 Muatan RPS

Tabel 5. Format dan Muatan RPS
UNIVERSITAS TRISAKRI
FAKULTAS TEKNOLOGI INDUSTRI
PROGRAM STUDI SISTEM INFORMASI

RENCANA PEMBELAJARAN SEMESTER		 Kode : DU1.2.4-KUR-04.RPS/ISA6304

Program Studi : SISTEM INFORMASI Semester : Gasal 2023/2024 (Rmd);Jenis Mata Kuliah : Wajib     Kode Mata Kuliah : ISA6304     SKS : 3.00
Mata Kuliah : Analitik Data Lanjut Dosen :
  1. 2128 Dr. Dedy Sugiarto
MK Prasyarat :
    Tidak ada prasyarat;
Sesi Ke KAD Bahan Kajian Metoda Pembelajaran Waktu Belajar (Menit) Pengalaman Belajar Mahasiswa Referensi Kriteria Penilaian (Indikator)
1
  1. KAD 1 Memahami konsep analitik big data dan contoh penerapan pada berbagai bidang
 Pendahuluan analitik data lanjut dan analitik big data, analitik prediktif dan preskriptif, analitik teks
  • Tutorial
  • Diskusi
 150.00 Melihat youtube terkait, praktek melalui google colab berdasarkan rujukan jurnal terkait
  • Ujian Tengah Semester - 7.50 %
2
  1. KAD 2 Menerapkan data wrangling lanjut
 Pengertian data wrangling, membaca data, pemahaman awal data, pembersihan data, transformasi data, filtering data penanganan missing value, grouping, menyimpan data + praktikum modul 1 : pengenalan aplikasi analitik data menggunakan streamlit
  • Tutorial
  • Diskusi
 150.00 praktek melalui google colaboratory
  • Praktikum - 3.75 %
3
  1. KAD 3 Melakukan analisis multivariat dengan target numerik : regresi berganda
 Tinjau ulang regresi berganda, regresi non linier, contoh kasus regresi linier dan non linier + praktikum modul 2 Streamlit koneksi Database
  • Tutorial
  • Diskusi
 150.00 praktek melalui google colaboratory
  • Ujian Tengah Semester - 7.50 %
  • Praktikum - 3.75 %
4
  1. KAD 4 Melakukan analisis multivariat dengan target kategorik : regresi logistik
 Regresi logistik, konsep dan contoh kasus + praktikum modul 3 Deploy Streamlit Sharing dengan Github
  • Tutorial
  • Diskusi
 150.00 praktek melalui google colaboratory
  • Praktikum - 3.75 %
5
  1. KAD 5 Melakukan analisis data spasial
 Visualisasi data spasial + praktikum modul 4 Visualisasi Data Geospasial
  • Tutorial
  • Diskusi
 150.00 praktek melalui google colaboratory
  • Praktikum - 3.75 %
6
  1. KAD 6 Membuat visualisasi data menggunakan python
 Visualisasi data lanjut, matplotlib, seaborn, visualisasi interaktif menggunakan plotly
  • Tutorial
  • Diskusi
 150.00 praktek melalui google colaboratory
  • Ujian Tengah Semester - 5.00 %
7
  1. KAD 7 Membuat aplikasi analitik data berbasis python
 Pengenalan penbuatan aplikasi analitik data berbasis web, python streamlit
  • Tutorial
  • Diskusi
 150.00 praktek melalui google colaboratory
  • Ujian Tengah Semester - 5.00 %
8
  1. KAD 8 Menerapkan dasar-dasar komputasi cluster menggunakan a lingkungan kluster virtual melalui VirtualBox dan Vagrant : single virtual machine
 Teknologi dan tools big data, ingkungan kluster virtual melalui VirtualBox dan Vagrant, single virtual machine + praktikum modul 5 big menggunakan vagrant dan VirtualBox, single vm
  • Tutorial
  • Diskusi
 150.00 praktek melalui google colaboratory
  • Ujian Akhir Semester - 5.00 %
  • Praktikum - 3.75 %
9
  1. KAD 9 Menerapkan dasar-dasar komputasi cluster menggunakan a lingkungan kluster virtual melalui VirtualBox dan Vagrant : multiple virtual machine
 Teknologi dan tools big data, ingkungan kluster virtual melalui VirtualBox dan Vagrant, multiple virtual machine + praktikum modul 6, multiple vm
  • Tutorial
  • Diskusi
 150.00 praktek melalui google colaboratory
  • Praktikum - 3.75 %
10
  1. KAD 10 Melakukan analitik dan visualisasi big data menggunakan pyspark
Teknologi dan tools big data, pemrosesan data menggunakan spark + praktikum modul 7 pengenalan pyspark
  • Tutorial
 150.00 praktek melalui google colaboratory
  • Ujian Akhir Semester - 5.00 %
  • Praktikum - 3.75 %
11
  1. KAD 12 Melakukan analitik teks, prapemrosesan data teks, word embedding dan vektorisasi teks
 Teknologi dan tools big data, pemrosesan machine learning melalui pyspark + praktikum modul 8 MLlib
  • Tutorial
  • Diskusi
 150.00 praktek melalui google colaboratory
  • Ujian Akhir Semester - 5.00 %
  • Praktikum - 3.75 %
12
  1. KAD 12 Melakukan analitik teks, prapemrosesan data teks, word embedding dan vektorisasi teks
 Pengenalan natural languang processing, data preprocessing + praktikum modul 9 analisis sentiment
  • Tutorial
  • Diskusi
 150.00 praktek melalui google colaboratory
  • Ujian Akhir Semester - 5.00 %
  • Praktikum - 3.75 %
13
  1. KAD 13 Membuat analisis sentimen dan pemodelan topik
 Analisis sentimen dan pemodelan topik
  • Tutorial
  • Diskusi
 150.00 praktek melalui google colaboratory
  • Ujian Akhir Semester - 5.00 %
14
  1. KAD 14 Mempresentasikan aplikasi analitik data lanjut yang berisi rekomendasi pengambilan keputusan pada proses dan sistem organisasi
 Presentasi proyek analitik data , pemodelan prediktif
  • Presentasi
 150.00 praktek melalui google colaboratory
  • Tugas - 16.25 %

3.2 Sosialisasi RPS

Tabel 6. Berita Acara Sosialisasi RPS
PROGRAM STUDI SISTEM INFORMASI
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS TRISAKTI
Perkuliahan Pertama Dosen Menyampaikan
Mata Kuliah/SKS Nama Dosen Hari Tanggal
Analitik Data Lanjut 2128 Dr. Dedy Sugiarto ; Wednesday 10:10:00-12:40:00 Status
Tidak ada perekaman sosialiasi RPS di Kelas
Diketahui Program Studi Dosen Mata Kuliah Mahasiswa
2553 Syandra Sari, S.Kom., M.Kom.

Ketua		 2128 Dr. Dedy Sugiarto ........

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 KK.1 KK1.CPMK-1 KK1.CPMK-1.1 Minggu ke-14 Assessment: Tugas (16.25%)
HEIGHT KK.2 KK2.CPMK-2 KK2.CPMK-2.1 Minggu ke-1 Assessment: Ujian Tengah Semester (7.50%)
HEIGHT KK.2 KK2.CPMK-2 KK2.CPMK-2.2 Minggu ke-2 Assessment: Praktikum (3.75%)
HEIGHT KK.2 KK2.CPMK-2 KK2.CPMK-2.3 Minggu ke-3 Assessment: Praktikum (3.75%)
Minggu ke-3 Assessment: Ujian Tengah Semester (7.50%)
HEIGHT KK.2 KK2.CPMK-2 KK2.CPMK-2.4 Minggu ke-4 Assessment: Praktikum (3.75%)
HEIGHT KK.2 KK2.CPMK-2 KK2.CPMK-2.5 Minggu ke-5 Assessment: Praktikum (3.75%)
HEIGHT KK.2 KK2.CPMK-2 KK2.CPMK-2.6 Minggu ke-6 Assessment: Ujian Tengah Semester (5.00%)
HEIGHT KK.2 KK2.CPMK-2 KK2.CPMK-2.7 Minggu ke-7 Assessment: Ujian Tengah Semester (5.00%)
HEIGHT KK.7 KK7.CPMK-3 KK7.CPMK-3.1 Minggu ke-8 Assessment: Praktikum (3.75%)
Minggu ke-8 Assessment: Ujian Akhir Semester (5.00%)
HEIGHT KK.7 KK7.CPMK-3 KK7.CPMK-3.2 Minggu ke-9 Assessment: Praktikum (3.75%)
HEIGHT KK.7 KK7.CPMK-3 KK7.CPMK-3.3 Minggu ke-10 Assessment: Praktikum (3.75%)
Minggu ke-10 Assessment: Ujian Akhir Semester (5.00%)
HEIGHT KK.7 KK7.CPMK-3 KK7.CPMK-3.5 Minggu ke-11 Assessment: Praktikum (3.75%)
Minggu ke-11 Assessment: Ujian Akhir Semester (5.00%)
Minggu ke-12 Assessment: Praktikum (3.75%)
Minggu ke-12 Assessment: Ujian Akhir Semester (5.00%)
HEIGHT KK.7 KK7.CPMK-3 KK7.CPMK-3.6 Minggu ke-13 Assessment: Ujian Akhir Semester (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
KK.2 KK2.CPMK-2 KK2.CPMK-2.1 7.50%
 7.5%
KK.2 KK2.CPMK-2 KK2.CPMK-2.3 7.50%
 7.5%
KK.2 KK2.CPMK-2 KK2.CPMK-2.6 5.00%
 5%
KK.2 KK2.CPMK-2 KK2.CPMK-2.7 5.00%
 5%
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
KK.7 KK7.CPMK-3 KK7.CPMK-3.1 5.00%
 5%
KK.7 KK7.CPMK-3 KK7.CPMK-3.3 5.00%
 5%
KK.7 KK7.CPMK-3 KK7.CPMK-3.5 5.00%
5.00%
 10%
KK.7 KK7.CPMK-3 KK7.CPMK-3.6 5.00%
 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
KK.1 KK1.CPMK-1 KK1.CPMK-1.1 16.25%
 16.25%
TOTAL 16.25%
Tabel 12. Pemetaan Rencana Penilaian Setiap Instrument Penilaian
Materi Sesi Minggu Ke - TOTAL
M14 M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12 M13
Komponen TG UTS PRK PRK UTS PRK PRK UTS UTS PRK UAS PRK PRK UAS PRK-a UAS PRK UAS UAS
CPL CPMK Sub CPMK A1A2A3A4A5A6A7A8A9A10A11A12A13A14A15A16A17A18A19 Bobot
KK.1 KK1.CPMK-1 KK1.CPMK-1.1 16.25% 16.25%
KK.2 KK2.CPMK-2 KK2.CPMK-2.1 7.50% 7.5%
KK.2 KK2.CPMK-2 KK2.CPMK-2.2 3.75% 3.75%
KK.2 KK2.CPMK-2 KK2.CPMK-2.3 3.75%7.50% 11.25%
KK.2 KK2.CPMK-2 KK2.CPMK-2.4 3.75% 3.75%
KK.2 KK2.CPMK-2 KK2.CPMK-2.5 3.75% 3.75%
KK.2 KK2.CPMK-2 KK2.CPMK-2.6 5.00% 5%
KK.2 KK2.CPMK-2 KK2.CPMK-2.7 5.00% 5%
KK.7 KK7.CPMK-3 KK7.CPMK-3.1 3.75%5.00% 8.75%
KK.7 KK7.CPMK-3 KK7.CPMK-3.2 3.75% 3.75%
KK.7 KK7.CPMK-3 KK7.CPMK-3.3 3.75%5.00% 8.75%
KK.7 KK7.CPMK-3 KK7.CPMK-3.5 3.75%5.00%3.75%5.00% 17.5%
KK.7 KK7.CPMK-3 KK7.CPMK-3.6 5.00% 5%
TOTAL 16.25 7.5 3.75 3.75 7.5 3.75 3.75 5 5 3.75 5 3.75 3.75 5 3.75 5 3.75 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
KK.1 KK1.CPMK-1 KK1.CPMK-1.1 TG
KK.2 KK2.CPMK-2 KK2.CPMK-2.1 UTS
KK.2 KK2.CPMK-2 KK2.CPMK-2.2 PRK
KK.2 KK2.CPMK-2 KK2.CPMK-2.3 PRK UTS
KK.2 KK2.CPMK-2 KK2.CPMK-2.4 PRK
KK.2 KK2.CPMK-2 KK2.CPMK-2.5 PRK
KK.2 KK2.CPMK-2 KK2.CPMK-2.6 UTS
KK.2 KK2.CPMK-2 KK2.CPMK-2.7 UTS
KK.7 KK7.CPMK-3 KK7.CPMK-3.1 PRK UAS
KK.7 KK7.CPMK-3 KK7.CPMK-3.2 PRK
KK.7 KK7.CPMK-3 KK7.CPMK-3.3 PRK UAS
KK.7 KK7.CPMK-3 KK7.CPMK-3.5 PRK-a UAS PRK UAS
KK.7 KK7.CPMK-3 KK7.CPMK-3.6 UAS
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
KK.2 KK2.CPMK-2 KK2.CPMK-2.1KAD 1 Memahami konsep analitik big data dan contoh penerapan pada berbagai bidang
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.2 KK2.CPMK-2 KK2.CPMK-2.3KAD 3 Melakukan analisis multivariat dengan target numerik : regresi berganda
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.2 KK2.CPMK-2 KK2.CPMK-2.6KAD 6 Membuat visualisasi data menggunakan python
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.2 KK2.CPMK-2 KK2.CPMK-2.7KAD 7 Membuat aplikasi analitik data berbasis python
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 Rubrik Penilaian
Tidak ada rubrik penilaian
Tabel 16. Rubrik Penilaian UAS
UAS
CPL CMPK Sub CPMK Rubrik / Rubric
KK.7 KK7.CPMK-3 KK7.CPMK-3.1KAD 8 Menerapkan dasar-dasar komputasi cluster menggunakan a lingkungan kluster virtual melalui VirtualBox dan Vagrant : single virtual machine
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.7 KK7.CPMK-3 KK7.CPMK-3.3KAD 10 Melakukan analitik dan visualisasi big data menggunakan pyspark
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.7 KK7.CPMK-3 KK7.CPMK-3.5KAD 12 Melakukan analitik teks, prapemrosesan data teks, word embedding dan vektorisasi teks
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.7 KK7.CPMK-3 KK7.CPMK-3.6KAD 13 Membuat analisis sentimen dan pemodelan topik
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering test questions		 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 0 0.00
A- 0 0.00
B+ 0 0.00
B 0 0.00
B- 1 100.00
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
KK1.CPMK-1.1
KAD 14 Mempresentasikan aplikasi analitik data lanjut yang berisi rekomendasi pengambilan keputusan pada proses dan sistem organisasi 		1 0 0 0 100.00
KK2.CPMK-2.1
KAD 1 Memahami konsep analitik big data dan contoh penerapan pada berbagai bidang 		0 0 1 0 100.00
KK2.CPMK-2.2
KAD 2 Menerapkan data wrangling lanjut 		0 0 1 0 100.00
KK2.CPMK-2.3
KAD 3 Melakukan analisis multivariat dengan target numerik : regresi berganda 		0 0 1 0 100.00
KK2.CPMK-2.4
KAD 4 Melakukan analisis multivariat dengan target kategorik : regresi logistik 		0 0 1 0 100.00
KK2.CPMK-2.5
KAD 5 Melakukan analisis data spasial 		0 0 1 0 100.00
KK2.CPMK-2.6
KAD 6 Membuat visualisasi data menggunakan python 		0 0 1 0 100.00
KK2.CPMK-2.7
KAD 7 Membuat aplikasi analitik data berbasis python 		0 0 1 0 100.00
KK7.CPMK-3.1
KAD 8 Menerapkan dasar-dasar komputasi cluster menggunakan a lingkungan kluster virtual melalui VirtualBox dan Vagrant : single virtual machine 		0 0 1 0 100.00
KK7.CPMK-3.2
KAD 9 Menerapkan dasar-dasar komputasi cluster menggunakan a lingkungan kluster virtual melalui VirtualBox dan Vagrant : multiple virtual machine 		0 0 1 0 100.00
KK7.CPMK-3.3
KAD 10 Melakukan analitik dan visualisasi big data menggunakan pyspark 		0 0 1 0 100.00
KK7.CPMK-3.5
KAD 12 Melakukan analitik teks, prapemrosesan data teks, word embedding dan vektorisasi teks 		0 0 1 0 100.00
KK7.CPMK-3.6
KAD 13 Membuat analisis sentimen dan pemodelan topik 		0 0 1 0 100.00
Capaian Sub-CPMK
Gambar 2. Grafik Distribusi Nilai Per Sub CPMK

Tidak ada pengukuran Kepuasan Mahasiswa
Gambar 3. Hasil Kuisioner Mahasiswa
KodePertanyaan

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
KAD 14 Mempresentasikan aplikasi analitik data lanjut yang berisi rekomendasi pengambilan keputusan pada proses dan sistem organisasi
TG1
(100.00 %)		000100
(10,000.00 %)
KAD 1 Memahami konsep analitik big data dan contoh penerapan pada berbagai bidang
UTS001
(100.00 %)		0100
(10,000.00 %)
KAD 2 Menerapkan data wrangling lanjut
PRK001
(100.00 %)		0100
(10,000.00 %)
KAD 3 Melakukan analisis multivariat dengan target numerik : regresi berganda
PRK001
(100.00 %)		0100
(10,000.00 %)
UTS001
(100.00 %)		0100
(10,000.00 %)
KAD 4 Melakukan analisis multivariat dengan target kategorik : regresi logistik
PRK001
(100.00 %)		0100
(10,000.00 %)
KAD 5 Melakukan analisis data spasial
PRK001
(100.00 %)		0100
(10,000.00 %)
KAD 6 Membuat visualisasi data menggunakan python
UTS001
(100.00 %)		0100
(10,000.00 %)
KAD 7 Membuat aplikasi analitik data berbasis python
UTS001
(100.00 %)		0100
(10,000.00 %)
KAD 8 Menerapkan dasar-dasar komputasi cluster menggunakan a lingkungan kluster virtual melalui VirtualBox dan Vagrant : single virtual machine
PRK001
(100.00 %)		0100
(10,000.00 %)
UAS001
(100.00 %)		0100
(10,000.00 %)
KAD 9 Menerapkan dasar-dasar komputasi cluster menggunakan a lingkungan kluster virtual melalui VirtualBox dan Vagrant : multiple virtual machine
PRK001
(100.00 %)		0100
(10,000.00 %)
KAD 10 Melakukan analitik dan visualisasi big data menggunakan pyspark
PRK001
(100.00 %)		0100
(10,000.00 %)
UAS001
(100.00 %)		0100
(10,000.00 %)
KAD 12 Melakukan analitik teks, prapemrosesan data teks, word embedding dan vektorisasi teks
PRK001
(100.00 %)		0100
(10,000.00 %)
PRK-a001
(100.00 %)		0100
(10,000.00 %)
UAS001
(100.00 %)		0100
(10,000.00 %)
KAD 13 Membuat analisis sentimen dan pemodelan topik
UAS001
(100.00 %)		0100
(10,000.00 %)

Capaian Sub-CPMK KK1.CPMK-1.1 Perpenilaian
Gambar 4. Analisis Ketercapaian Sub KK1.CPMK-1.1 Per Teknik Penilaian


Capaian Sub-CPMK KK2.CPMK-2.1 Perpenilaian
Gambar 5. Analisis Ketercapaian Sub KK2.CPMK-2.1 Per Teknik Penilaian


Capaian Sub-CPMK KK2.CPMK-2.2 Perpenilaian
Gambar 6. Analisis Ketercapaian Sub KK2.CPMK-2.2 Per Teknik Penilaian


Capaian Sub-CPMK KK2.CPMK-2.3 Perpenilaian
Gambar 7. Analisis Ketercapaian Sub KK2.CPMK-2.3 Per Teknik Penilaian


Capaian Sub-CPMK KK2.CPMK-2.4 Perpenilaian
Gambar 8. Analisis Ketercapaian Sub KK2.CPMK-2.4 Per Teknik Penilaian


Capaian Sub-CPMK KK2.CPMK-2.5 Perpenilaian
Gambar 9. Analisis Ketercapaian Sub KK2.CPMK-2.5 Per Teknik Penilaian


Capaian Sub-CPMK KK2.CPMK-2.6 Perpenilaian
Gambar 10. Analisis Ketercapaian Sub KK2.CPMK-2.6 Per Teknik Penilaian


Capaian Sub-CPMK KK2.CPMK-2.7 Perpenilaian
Gambar 11. Analisis Ketercapaian Sub KK2.CPMK-2.7 Per Teknik Penilaian


Capaian Sub-CPMK KK7.CPMK-3.1 Perpenilaian
Gambar 12. Analisis Ketercapaian Sub KK7.CPMK-3.1 Per Teknik Penilaian


Capaian Sub-CPMK KK7.CPMK-3.2 Perpenilaian
Gambar 13. Analisis Ketercapaian Sub KK7.CPMK-3.2 Per Teknik Penilaian


Capaian Sub-CPMK KK7.CPMK-3.3 Perpenilaian
Gambar 14. Analisis Ketercapaian Sub KK7.CPMK-3.3 Per Teknik Penilaian


Capaian Sub-CPMK KK7.CPMK-3.5 Perpenilaian
Gambar 15. Analisis Ketercapaian Sub KK7.CPMK-3.5 Per Teknik Penilaian


Capaian Sub-CPMK KK7.CPMK-3.6 Perpenilaian
Gambar 16. Analisis Ketercapaian Sub KK7.CPMK-3.6 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
KK1.CPMK-1.1
Std Mark: 56.00 		KK2.CPMK-2.1
Std Mark: 56.00 		KK2.CPMK-2.2
Std Mark: 56.00 		KK2.CPMK-2.3
Std Mark: 56.00 		KK2.CPMK-2.4
Std Mark: 56.00 		KK2.CPMK-2.5
Std Mark: 56.00 		KK2.CPMK-2.6
Std Mark: 56.00 		KK2.CPMK-2.7
Std Mark: 56.00 		KK7.CPMK-3.1
Std Mark: 56.00 		KK7.CPMK-3.2
Std Mark: 56.00 		KK7.CPMK-3.3
Std Mark: 56.00 		KK7.CPMK-3.5
Std Mark: 56.00 		KK7.CPMK-3.6
Std Mark: 56.00
1 065002100014 NYETO LEO T 100.0060.0060.0060.0060.0060.0060.0060.0060.0060.0060.0060.0060.00

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, 28-02-2024
Dosen Mata Kuliah,




(2128 Dr. Dedy Sugiarto)