Document

PORTOFOLIO MATA KULIAH

Nama Mata Kuliah	:	Machine Learning
Kode Mata Kuliah	:	IKS6334
Tim Dosen	:	2554 Anung Barlianto Ariwibowo, M.Kom.
Kelas	:	01
Dosen	:	2554 Anung Barlianto Ariwibowo, M.Kom.
Semester	:	Genap 2023/2024 (R)
Tahun Akademik	:	2023/2024
Jumlah Mahasiswa	:	21 mahasiswa

Program Studi SISTEM INFORMASI

Fakultas TEKNOLOGI INDUSTRI

Universitas Trisakti

Aug 2024

PORTOFOLIO MATA KULIAH

NAMA MATA KULIAH	: Machine Learning
KODE MATA KULIAH	: IKS6334
KELAS	: SI-01
SEMESTER	: Genap 2023/2024 (R)
DOSEN PENGAMPU	: 2554 Anung Barlianto Ariwibowo, M.Kom.
NAMA DOSEN/TIM DOSEN	: 2554 Anung Barlianto Ariwibowo, M.Kom.
NAMA KOORDINATOR MATA KULIAH	: 2554 Anung Barlianto Ariwibowo, M.Kom.

1. HALAMAN PENGESAHAN PORTOFOLIO

	PORTOFOLIO MATA KULIAH MACHINE LEARNING Tahun Akademik: Genap 2023/2024 (R) Program Studi SISTEM INFORMASI Fakultas TEKNOLOGI INDUSTRI
Kode: IKS6334	Bobot (sks): 3.00 sks	Rumpun MK:	Semester: GENAP
Penanggungjawab	Nama	Tanda Tangan	Tanggal
Koordinator MK			2554 Anung Barlianto Ariwibowo, M.Kom.
Koordinator Bidang Keahlian/Ilmu
Ketua Program Studi			2553 Syandra Sari, S.Kom., M.Kom.

DAFTAR ISI

HALAMAN PENGESAHAN PORTOFOLIO .................................................................................
CAPAIAN PEMBELAJARAN PROGRAM STUDI .......................................................................
RENCANA PEMBELAJARAN SEMESTER (RPS) .......................................................................
- 3.1. Muatan RPS ......................................................................................................................
- 3.1. Sosialisasi RPS .................................................................................................................
RENCANA PENILAIAN & RUBRIK .............................................................................................
- 4.1. Rencana Penilaian CPMK ................................................................................................
- 4.2. Rubrik Penilaian (UTS, UAS, Praktikum, Tugas) ...........................................................
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 ..........................................................................
REKOMENDASI TINDAK LANJUT ..............................................................................................
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.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.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))

Tabel 3. Pemetaan Keterkaitan Capaian Pembelajaran Mata Kuliah dengan CPL

KODE CPL	KODE CPMK	DESKRIPSI CPMK
KK.1	KK1.CPMK-1	Mahasiswa memahami peran visualisasi dalam proses pengambilan keputusan.
KK.7	KK7.CPMK-2	Mahasiswa mampu menjelaskan beberapa teknik pembelajaran mesin yang sering digunakan.
KK.7	KK7.CPMK-3	Mahasiswa mampu menjelaskan prinsip kerja Multi Layer Perceptron
KK.7	KK7.CPMK-4	Mahasiswa dapat memberikan penjelasan mengenai evaluasi kinerja dari teknik pembelajaran mesin.
KK.7	KK7.CPMK-5	Mahasiswa menerapkan metode pembelajaran mesin yang tepat terhadap data/masalah yang dihadapi.

Tabel 4. Sub Capaian Pembelajaran Mata Kuliah

KODE CPL

KODE CPMK

DESKRIPSI Sub CPMK

KK.1

KK1.CPMK-1

KK1.CPMK-1.1

Mampu memahami konsep dasar machine learning dan generative AI.

KK.7

KK7.CPMK-2

KK7.CPMK-2.1	Mampu memahami dan menerapkan konsep perceptron dalam model machine learning.
KK7.CPMK-2.2	Mampu memahami dan mengevaluasi pengaruh bias dan fungsi aktivasi sigmoid dalam model machine learning.

KK.7

KK7.CPMK-3

KK7.CPMK-3.1

Mampu memahami dan menerapkan konsep multi layer perceptron (MLP) dalam model machine learning.

KK.7

KK7.CPMK-4

KK7.CPMK-4.1	Mampu memahami dan menerapkan konsep encoder dan decoder dalam model machine learning.
KK7.CPMK-4.2	Mampu memahami dan menerapkan konsep transformers dalam model machine learning.
KK7.CPMK-4.3	Mampu memahami dan menerapkan konsep generative adversarial network (GAN) dalam model machine learning.
KK7.CPMK-4.4	Mampu memahami dan menerapkan konsep large language model (LLM) dalam model machine learning.
KK7.CPMK-4.5	Mampu memahami dan menerapkan konsep fine tuning dan retrieval augmented generation (RAG) dalam model machine learning.
KK7.CPMK-4.6	Mampu memahami dan menerapkan penggunaan Ollama dan LangChain dalam pengembangan model machine learning.
KK7.CPMK-4.7	Mampu memahami dan memanfaatkan platform Hugging Face untuk mengembangkan model machine learning.

KK.7

KK7.CPMK-5

KK7.CPMK-5.1	Mampu memahami dan menerapkan konsep recurrent neural network (RNN) dan long short-term memory (LSTM) dalam model machine learning.
KK7.CPMK-5.2	Mampu memahami dan menerapkan konsep embeddings dalam model machine learning.
KK7.CPMK-5.3	Mampu mempresentasikan proyek machine learning dengan jelas dan efektif.

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/IKS6334

Program Studi : SISTEM INFORMASI		Semester : Genap 2023/2024 (R);Jenis Mata Kuliah : Wajib Kode Mata Kuliah : IKS6334 SKS : 3.00
Mata Kuliah : Machine Learning		Dosen : 2554 Anung Barlianto Ariwibowo, 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	Mampu memahami konsep dasar machine learning dan generative AI.	Administrasi perkuliahan. Capaian pembelajaran mata kuliah. Materi pendahuluan.	Diskusi	150.00	Diskusi. Tanya jawab.	Luis Serrano(2021) Rishal Hurbans(2020) Zhang, Aston and Lipton, Zachary C. and Li, Mu and Smola, Alexander J.(2023) Andrew W. Trask(2019)	Ujian Tengah Semester - 2.00 %
2	Mampu memahami dan menerapkan konsep perceptron dalam model machine learning. Mampu memahami konsep dasar machine learning dan generative AI.	Algoritma pembelajaran Perceptron.	Percobaan Diskusi	150.00	Diskusi. Tanya jawab. Mahasiswa membuat program sederhana algoritma Perceptron menggunakan numpy.		Ujian Tengah Semester - 3.00 %
3	Mampu memahami dan mengevaluasi pengaruh bias dan fungsi aktivasi sigmoid dalam model machine learning.	Bias dan threshold. Fungsi aktivasi sigmoid. Stochastic gradient descent. Representasi data MNIST.	Percobaan Diskusi	150.00	Diskusi. Tanya jawab.		Praktikum - 2.00 % Ujian Tengah Semester - 3.00 % Tugas Individu - 5.00 %
4	Mampu memahami dan menerapkan konsep multi layer perceptron (MLP) dalam model machine learning.	Multi Layer Perceptron.		150.00	Diskusi dan studi kasus.		Praktikum - 2.00 % Ujian Tengah Semester - 3.00 %
5	Mampu memahami dan menerapkan konsep recurrent neural network (RNN) dan long short-term memory (LSTM) dalam model machine learning.	Recurrent Neural Network dan LSTM.		150.00	Diskusi studi kasus.		Praktikum - 2.00 % Ujian Tengah Semester - 3.00 %
6	Mampu memahami dan menerapkan konsep embeddings dalam model machine learning.	Embeddings.		150.00	Diskusi dan Hands-on.		Praktikum - 2.00 % Ujian Tengah Semester - 3.00 % Tugas Individu - 5.00 %
7	Mampu memahami dan menerapkan konsep encoder dan decoder dalam model machine learning.	Encoder dan Decoder.		150.00	Diskusi dan Hands-on.		Praktikum - 2.00 % Ujian Tengah Semester - 3.00 %
8	Mampu memahami dan menerapkan konsep transformers dalam model machine learning.	Transformers.		150.00	Diskusi dan Hands-on.		Praktikum - 2.00 % Ujian Akhir Semester - 2.00 %
9	Mampu memahami dan menerapkan konsep generative adversarial network (GAN) dalam model machine learning.	Generative Adversarial Network.		150.00	Diskusi dan Tanya jawab.		Praktikum - 2.00 % Tugas Individu - 5.00 % Ujian Akhir Semester - 3.00 %
10	Mampu memahami dan menerapkan konsep large language model (LLM) dalam model machine learning.	Large Language Model.		150.00	Diskusi dan Hands-on.		Praktikum - 2.00 % Proyek - 4.00 % Ujian Akhir Semester - 3.00 %
11	Mampu memahami dan menerapkan konsep fine tuning dan retrieval augmented generation (RAG) dalam model machine learning.	Fine Tuning dan Retrieval Augmented Generation.		150.00	Diskusi dan Hands-on.		Praktikum - 2.00 % Proyek - 4.00 % Ujian Akhir Semester - 3.00 %
12	Mampu memahami dan menerapkan penggunaan Ollama dan LangChain dalam pengembangan model machine learning.	Ollama dan LangChain.		150.00	Diskusi dan Hands-on.		Praktikum - 2.00 % Proyek - 4.00 % Ujian Akhir Semester - 3.00 %
13	Mampu memahami dan memanfaatkan platform Hugging Face untuk mengembangkan model machine learning.	Hugging Face.		150.00	Diskusi dan Hands-on.		Proyek - 4.00 % Ujian Akhir Semester - 3.00 %
14	Mampu mempresentasikan proyek machine learning dengan jelas dan efektif.	Presentasi Proyek.		150.00	Presentasi dan Diskusi.		Presentasi - 5.00 % Proyek - 4.00 % Ujian Akhir Semester - 3.00 %

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
Machine Learning		2554 Anung Barlianto Ariwibowo, M.Kom.		; Monday 07:30:00-10:00:00	Status
Tidak ada perekaman sosialiasi RPS di Kelas
Diketahui Program Studi			Dosen Mata Kuliah		Mahasiswa
2553 Syandra Sari, S.Kom., M.Kom. Ketua			2554 Anung Barlianto Ariwibowo, 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
LOW	KK.1	KK1.CPMK-1	KK1.CPMK-1.1	Minggu ke-1 Assessment: Ujian Tengah Semester (2.00%) Minggu ke-2 Assessment: Ujian Tengah Semester (1.00%)
HEIGHT	KK.7	KK7.CPMK-2	KK7.CPMK-2.1	Minggu ke-2 Assessment: Ujian Tengah Semester (2.00%)
HEIGHT	KK.7	KK7.CPMK-2	KK7.CPMK-2.2	Minggu ke-3 Assessment: Tugas Individu (5.00%) Minggu ke-3 Assessment: Ujian Tengah Semester (3.00%) Minggu ke-3 Assessment: Praktikum (2.00%)
HEIGHT	KK.7	KK7.CPMK-3	KK7.CPMK-3.1	Minggu ke-4 Assessment: Ujian Tengah Semester (3.00%) Minggu ke-4 Assessment: Praktikum (2.00%)
HEIGHT	KK.7	KK7.CPMK-4	KK7.CPMK-4.1	Minggu ke-7 Assessment: Ujian Tengah Semester (3.00%) Minggu ke-7 Assessment: Praktikum (2.00%)
HEIGHT	KK.7	KK7.CPMK-4	KK7.CPMK-4.2	Minggu ke-8 Assessment: Ujian Akhir Semester (2.00%) Minggu ke-8 Assessment: Praktikum (2.00%)
HEIGHT	KK.7	KK7.CPMK-4	KK7.CPMK-4.3	Minggu ke-9 Assessment: Ujian Akhir Semester (3.00%) Minggu ke-9 Assessment: Tugas Individu (5.00%) Minggu ke-9 Assessment: Praktikum (2.00%)
HEIGHT	KK.7	KK7.CPMK-4	KK7.CPMK-4.4	Minggu ke-10 Assessment: Ujian Akhir Semester (3.00%) Minggu ke-10 Assessment: Proyek (4.00%) Minggu ke-10 Assessment: Praktikum (2.00%)
HEIGHT	KK.7	KK7.CPMK-4	KK7.CPMK-4.5	Minggu ke-11 Assessment: Ujian Akhir Semester (3.00%) Minggu ke-11 Assessment: Proyek (4.00%) Minggu ke-11 Assessment: Praktikum (2.00%)
HEIGHT	KK.7	KK7.CPMK-4	KK7.CPMK-4.6	Minggu ke-12 Assessment: Ujian Akhir Semester (3.00%) Minggu ke-12 Assessment: Proyek (4.00%) Minggu ke-12 Assessment: Praktikum (2.00%)
HEIGHT	KK.7	KK7.CPMK-4	KK7.CPMK-4.7	Minggu ke-13 Assessment: Ujian Akhir Semester (3.00%) Minggu ke-13 Assessment: Proyek (4.00%)
HEIGHT	KK.7	KK7.CPMK-5	KK7.CPMK-5.1	Minggu ke-5 Assessment: Ujian Tengah Semester (3.00%) Minggu ke-5 Assessment: Praktikum (2.00%)
HEIGHT	KK.7	KK7.CPMK-5	KK7.CPMK-5.2	Minggu ke-6 Assessment: Tugas Individu (5.00%) Minggu ke-6 Assessment: Ujian Tengah Semester (3.00%) Minggu ke-6 Assessment: Praktikum (2.00%)
HEIGHT	KK.7	KK7.CPMK-5	KK7.CPMK-5.3	Minggu ke-14 Assessment: Ujian Akhir Semester (3.00%) Minggu ke-14 Assessment: Proyek (4.00%) Minggu ke-14 Assessment: Presentasi (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	TOTAL
KK.1	KK1.CPMK-1	KK1.CPMK-1.1	2.00%	1.00%						3%
KK.7	KK7.CPMK-2	KK7.CPMK-2.1		2.00%						2%
KK.7	KK7.CPMK-2	KK7.CPMK-2.2			3.00%					3%
KK.7	KK7.CPMK-3	KK7.CPMK-3.1				3.00%				3%
KK.7	KK7.CPMK-4	KK7.CPMK-4.1							3.00%	3%
KK.7	KK7.CPMK-5	KK7.CPMK-5.1					3.00%			3%
KK.7	KK7.CPMK-5	KK7.CPMK-5.2						3.00%		3%
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	TOTAL
KK.7	KK7.CPMK-4	KK7.CPMK-4.2	2.00%							2%
KK.7	KK7.CPMK-4	KK7.CPMK-4.3		3.00%						3%
KK.7	KK7.CPMK-4	KK7.CPMK-4.4			3.00%					3%
KK.7	KK7.CPMK-4	KK7.CPMK-4.5				3.00%				3%
KK.7	KK7.CPMK-4	KK7.CPMK-4.6					3.00%			3%
KK.7	KK7.CPMK-4	KK7.CPMK-4.7						3.00%		3%
KK.7	KK7.CPMK-5	KK7.CPMK-5.3							3.00%	3%
TOTAL										20%

Tabel 10. Rincian Bobot Penilain Laporan Praktikum dan Sesi Pertemuan

PRAKTIKUM

Materi Sesi

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

Tabel 11. Rincian Bobot Penilain Tugas dan Sesi Pertemuan

TUGAS

Materi Sesi

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

Tabel 12. Pemetaan Rencana Penilaian Setiap Instrument Penilaian

Materi Sesi

Minggu Ke -

TOTAL

M10

M11

M12

M13

M14

Komponen

UTS

TIND

UTS

PRK

UTS

PRK

UTS

PRK

UAS

PRK

UAS

TIND

PRK

UAS

prj

PRK

UAS

prj

PRK

UAS

prj

PRK

UAS

prj

UTS

PRK

TIND

UTS

PRK

UAS

prj

PPT

CPL

CPMK

Sub CPMK

A10

A11

A12

A13

A14

A15

A16

A17

A18

A19

A20

A21

A22

A23

A24

A25

A26

A27

A28

A29

A30

A31

A32

A33

Bobot

KK.1

KK1.CPMK-1

KK1.CPMK-1.1

2.00%

1.00%

KK.7

KK7.CPMK-2

KK7.CPMK-2.1

2.00%

KK.7

KK7.CPMK-2

KK7.CPMK-2.2

5.00%

3.00%

2.00%

10%

KK.7

KK7.CPMK-3

KK7.CPMK-3.1

3.00%

2.00%

KK.7

KK7.CPMK-4

KK7.CPMK-4.1

3.00%

2.00%

KK.7

KK7.CPMK-4

KK7.CPMK-4.2

2.00%

KK.7

KK7.CPMK-4

KK7.CPMK-4.3

3.00%

5.00%

2.00%

10%

KK.7

KK7.CPMK-4

KK7.CPMK-4.4

3.00%

4.00%

2.00%

KK.7

KK7.CPMK-4

KK7.CPMK-4.5

3.00%

4.00%

2.00%

KK.7

KK7.CPMK-4

KK7.CPMK-4.6

3.00%

4.00%

2.00%

KK.7

KK7.CPMK-4

KK7.CPMK-4.7

3.00%

4.00%

KK.7

KK7.CPMK-5

KK7.CPMK-5.1

3.00%

2.00%

KK.7

KK7.CPMK-5

KK7.CPMK-5.2

5.00%

3.00%

2.00%

10%

KK.7

KK7.CPMK-5

KK7.CPMK-5.3

3.00%

4.00%

5.00%

12%

TOTAL

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	UTS UTS
KK.7	KK7.CPMK-2	KK7.CPMK-2.1	UTS
KK.7	KK7.CPMK-2	KK7.CPMK-2.2	TIND UTS PRK
KK.7	KK7.CPMK-3	KK7.CPMK-3.1	UTS PRK
KK.7	KK7.CPMK-4	KK7.CPMK-4.1	UTS PRK
KK.7	KK7.CPMK-4	KK7.CPMK-4.2	UAS PRK
KK.7	KK7.CPMK-4	KK7.CPMK-4.3	UAS TIND PRK
KK.7	KK7.CPMK-4	KK7.CPMK-4.4	UAS prj PRK
KK.7	KK7.CPMK-4	KK7.CPMK-4.5	UAS prj PRK
KK.7	KK7.CPMK-4	KK7.CPMK-4.6	UAS prj PRK
KK.7	KK7.CPMK-4	KK7.CPMK-4.7	UAS prj
KK.7	KK7.CPMK-5	KK7.CPMK-5.1	UTS PRK
KK.7	KK7.CPMK-5	KK7.CPMK-5.2	TIND UTS PRK
KK.7	KK7.CPMK-5	KK7.CPMK-5.3	UAS prj PPT

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.1

KK1.CPMK-1

KK1.CPMK-1.1

Mampu memahami konsep dasar machine learning dan generative AI.

Indikator Kinerja: Dapat mengidentifikasi berbagai jenis algoritma machine learning dan menjelaskan prinsip kerjanya.
Performance Indicator: Dapat mengidentifikasi berbagai jenis algoritma machine learning dan menjelaskan prinsip kerjanya.

Rubrik Penilaian

Tidak ada rubrik penilaian

KK.7

KK7.CPMK-2

KK7.CPMK-2.1

Mampu memahami dan menerapkan konsep perceptron dalam model machine learning.

Indikator Kinerja: Dapat mengimplementasikan model perceptron menggunakan Python untuk menyelesaikan tugas klasifikasi biner.
Performance Indicator: Dapat mengimplementasikan model perceptron menggunakan Python untuk menyelesaikan tugas klasifikasi biner.

Rubrik Penilaian

Tidak ada rubrik penilaian

KK.7

KK7.CPMK-2

KK7.CPMK-2.2

Mampu memahami dan mengevaluasi pengaruh bias dan fungsi aktivasi sigmoid dalam model machine learning.

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Dapat mengevaluasi pengaruh bias dan fungsi aktivasi sigmoid pada kinerja model perceptron.
Performance Indicator: Dapat mengevaluasi pengaruh bias dan fungsi aktivasi sigmoid pada kinerja model perceptron.

Rubrik Penilaian

Tidak ada rubrik penilaian

KK.7

KK7.CPMK-3

KK7.CPMK-3.1

Mampu memahami dan menerapkan konsep multi layer perceptron (MLP) dalam model machine learning.

Indikator Kinerja: Dapat mengimplementasikan model MLP menggunakan Python untuk menyelesaikan tugas klasifikasi multi-kelas.
Performance Indicator: Dapat mengimplementasikan model MLP menggunakan Python untuk menyelesaikan tugas klasifikasi multi-kelas.

Rubrik Penilaian

Tidak ada rubrik penilaian

KK.7

KK7.CPMK-4

KK7.CPMK-4.1

Mampu memahami dan menerapkan konsep encoder dan decoder dalam model machine learning.

Indikator Kinerja: Dapat mengimplementasikan model encoder-decoder menggunakan Python untuk menyelesaikan tugas NLP.
Performance Indicator: Dapat mengimplementasikan model encoder-decoder menggunakan Python untuk menyelesaikan tugas NLP.

Rubrik Penilaian

Tidak ada rubrik penilaian

KK.7

KK7.CPMK-5

KK7.CPMK-5.1

Mampu memahami dan menerapkan konsep recurrent neural network (RNN) dan long short-term memory (LSTM) dalam model machine learning.

Indikator Kinerja: Dapat mengimplementasikan model RNN dan LSTM menggunakan Python untuk menyelesaikan tugas pemrosesan bahasa alami (NLP) seperti sentiment analysis dan machine translation.
Performance Indicator: Dapat mengimplementasikan model RNN dan LSTM menggunakan Python untuk menyelesaikan tugas pemrosesan bahasa alami (NLP) seperti sentiment analysis dan machine translation.

Rubrik Penilaian

Tidak ada rubrik penilaian

KK.7

KK7.CPMK-5

KK7.CPMK-5.2

Mampu memahami dan menerapkan konsep embeddings dalam model machine learning.

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Dapat mengimplementasikan teknik embeddings dalam model NLP untuk meningkatkan kinerja model.
Performance Indicator: Dapat mengimplementasikan teknik embeddings dalam model NLP untuk meningkatkan kinerja model.

Rubrik Penilaian

Tidak ada rubrik penilaian

Tabel 16. Rubrik Penilaian UAS

UAS

CPL

CMPK

Sub CPMK

Rubrik / Rubric

KK.7

KK7.CPMK-4

KK7.CPMK-4.2

Mampu memahami dan menerapkan konsep transformers dalam model machine learning.

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Dapat mengimplementasikan model transformers menggunakan Python untuk menyelesaikan tugas NLP seperti question answering dan text generation.
Performance Indicator: Dapat mengimplementasikan model transformers menggunakan Python untuk menyelesaikan tugas NLP seperti question answering dan text generation.

Rubrik Penilaian

Tidak ada rubrik penilaian

KK.7

KK7.CPMK-4

KK7.CPMK-4.3

Mampu memahami dan menerapkan konsep generative adversarial network (GAN) dalam model machine learning.

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Dapat mengimplementasikan model GAN menggunakan Python untuk menyelesaikan tugas generative seperti image generation dan text generation.
Performance Indicator: Dapat mengimplementasikan model GAN menggunakan Python untuk menyelesaikan tugas generative seperti image generation dan text generation.

Rubrik Penilaian

Tidak ada rubrik penilaian

KK.7

KK7.CPMK-4

KK7.CPMK-4.4

Mampu memahami dan menerapkan konsep large language model (LLM) dalam model machine learning.

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Dapat memahami cara kerja LLM dalam menghasilkan teks yang koheren dan informatif.
Performance Indicator: Dapat memahami cara kerja LLM dalam menghasilkan teks yang koheren dan informatif.

Rubrik Penilaian

Tidak ada rubrik penilaian

KK.7

KK7.CPMK-4

KK7.CPMK-4.5

Mampu memahami dan menerapkan konsep fine tuning dan retrieval augmented generation (RAG) dalam model machine learning.

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Dapat mengimplementasikan teknik fine tuning dan RAG dalam model NLP untuk menyelesaikan tugas seperti question answering dan text summarization.
Performance Indicator: Dapat mengimplementasikan teknik fine tuning dan RAG dalam model NLP untuk menyelesaikan tugas seperti question answering dan text summarization.

Rubrik Penilaian

Tidak ada rubrik penilaian

KK.7

KK7.CPMK-4

KK7.CPMK-4.6

Mampu memahami dan menerapkan penggunaan Ollama dan LangChain dalam pengembangan model machine learning.

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Dapat menggunakan Ollama dan LangChain untuk mengembangkan model NLP untuk berbagai tugas.
Performance Indicator: Dapat menggunakan Ollama dan LangChain untuk mengembangkan model NLP untuk berbagai tugas.

Rubrik Penilaian

Tidak ada rubrik penilaian

KK.7

KK7.CPMK-4

KK7.CPMK-4.7

Mampu memahami dan memanfaatkan platform Hugging Face untuk mengembangkan model machine learning.

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Dapat mengembangkan model NLP baru menggunakan platform Hugging Face.
Performance Indicator: Dapat mengembangkan model NLP baru menggunakan platform Hugging Face.

Rubrik Penilaian

Tidak ada rubrik penilaian

KK.7

KK7.CPMK-5

KK7.CPMK-5.3

Mampu mempresentasikan proyek machine learning dengan jelas dan efektif.

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Dapat mengembangkan model NLP baru menggunakan platform Hugging Face.
Performance Indicator: Dapat mengembangkan model NLP baru menggunakan platform Hugging Face.

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Dapat menunjukkan hasil dan temuan proyek machine learning secara efektif.
Performance Indicator: Dapat menunjukkan hasil dan temuan proyek machine learning secara efektif.

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	11	52.38
A-	2	9.52
B+	2	9.52
B	1	4.76
B-	3	14.29
C+	0	0.00
C	2	9.52
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 Mampu memahami konsep dasar machine learning dan generative AI.	7	5	4	5	76.19
KK7.CPMK-2.1 Mampu memahami dan menerapkan konsep perceptron dalam model machine learning.	7	5	4	5	76.19
KK7.CPMK-2.2 Mampu memahami dan mengevaluasi pengaruh bias dan fungsi aktivasi sigmoid dalam model machine learning.	9	7	2	3	85.71
KK7.CPMK-3.1 Mampu memahami dan menerapkan konsep multi layer perceptron (MLP) dalam model machine learning.	10	4	4	3	85.71
KK7.CPMK-4.1 Mampu memahami dan menerapkan konsep encoder dan decoder dalam model machine learning.	10	4	4	3	85.71
KK7.CPMK-4.2 Mampu memahami dan menerapkan konsep transformers dalam model machine learning.	10	6	4	1	95.24
KK7.CPMK-4.3 Mampu memahami dan menerapkan konsep generative adversarial network (GAN) dalam model machine learning.	9	8	1	3	85.71
KK7.CPMK-4.4 Mampu memahami dan menerapkan konsep large language model (LLM) dalam model machine learning.	13	7	1	0	100.00
KK7.CPMK-4.5 Mampu memahami dan menerapkan konsep fine tuning dan retrieval augmented generation (RAG) dalam model machine learning.	13	7	1	0	100.00
KK7.CPMK-4.6 Mampu memahami dan menerapkan penggunaan Ollama dan LangChain dalam pengembangan model machine learning.	13	7	1	0	100.00
KK7.CPMK-4.7 Mampu memahami dan memanfaatkan platform Hugging Face untuk mengembangkan model machine learning.	13	8	0	0	100.00
KK7.CPMK-5.1 Mampu memahami dan menerapkan konsep recurrent neural network (RNN) dan long short-term memory (LSTM) dalam model machine learning.	10	4	4	3	85.71
KK7.CPMK-5.2 Mampu memahami dan menerapkan konsep embeddings dalam model machine learning.	9	7	2	3	85.71
KK7.CPMK-5.3 Mampu mempresentasikan proyek machine learning dengan jelas dan efektif.	19	2	0	0	100.00

Capaian Sub-CPMK

Gambar 2. Grafik Distribusi Nilai Per Sub CPMK

KEPUASAN MAHASISWA

Gambar 3. Hasil Kuisioner Mahasiswa

Kode	Pertanyaan
Q-9	Dosen menguasai materi dengan baik
Q-11	Dosen berkomunkasi/menyampaikan materi dengan baik
Q-13	Dosen hadir dan menggunakan waktu kuliah dengan baik
Q-15	Dosen mempersiapkan kuliah dengan baik
Q-17	Dosen bersikap responsif
Q-19	Dosen bersedia berdiskusi
Q-21	Dosen memberikan umpan balik
Q-23	Dosen memberikan materi dengan jelas
Q-25	Beban kuliah sesuai dengan standar kompetensi yang ada di RPP/SAP/JUKNIS
Q-27	Dosen mengajar dengan baik
Q-29	Media instruksional yang digunakan menarik
Q-31	Dengan mengikuti perkuliahan, mahasiswa mengerti materi kuliah
Q-33	Kenyamanan ruang kuliah
Q-35	Koneksi 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
Mampu memahami konsep dasar machine learning dan generative AI.
UTS	7 (33.33 %)	5 (23.81 %)	4 (19.05 %)	5 (23.81 %)	76.19 (362.81 %)
Mampu memahami dan menerapkan konsep perceptron dalam model machine learning.
UTS	7 (33.33 %)	5 (23.81 %)	4 (19.05 %)	5 (23.81 %)	76.19 (362.81 %)
Mampu memahami dan mengevaluasi pengaruh bias dan fungsi aktivasi sigmoid dalam model machine learning.
PRK	13 (61.90 %)	6 (28.57 %)	0	2 (9.52 %)	90.48 (430.86 %)
TIND	14 (66.67 %)	2 (9.52 %)	2 (9.52 %)	3 (14.29 %)	85.71 (408.14 %)
UTS	7 (33.33 %)	5 (23.81 %)	4 (19.05 %)	5 (23.81 %)	76.19 (362.81 %)
Mampu memahami dan menerapkan konsep multi layer perceptron (MLP) dalam model machine learning.
PRK	13 (61.90 %)	6 (28.57 %)	0	2 (9.52 %)	90.48 (430.86 %)
UTS	7 (33.33 %)	5 (23.81 %)	4 (19.05 %)	5 (23.81 %)	76.19 (362.81 %)
Mampu memahami dan menerapkan konsep encoder dan decoder dalam model machine learning.
PRK	13 (61.90 %)	6 (28.57 %)	0	2 (9.52 %)	90.48 (430.86 %)
UTS	7 (33.33 %)	5 (23.81 %)	4 (19.05 %)	5 (23.81 %)	76.19 (362.81 %)
Mampu memahami dan menerapkan konsep transformers dalam model machine learning.
PRK	13 (61.90 %)	6 (28.57 %)	0	2 (9.52 %)	90.48 (430.86 %)
UAS	9 (42.86 %)	6 (28.57 %)	2 (9.52 %)	4 (19.05 %)	80.95 (385.48 %)
Mampu memahami dan menerapkan konsep generative adversarial network (GAN) dalam model machine learning.
PRK	13 (61.90 %)	6 (28.57 %)	0	2 (9.52 %)	90.48 (430.86 %)
TIND	14 (66.67 %)	2 (9.52 %)	2 (9.52 %)	3 (14.29 %)	85.71 (408.14 %)
UAS	9 (42.86 %)	6 (28.57 %)	2 (9.52 %)	4 (19.05 %)	80.95 (385.48 %)
Mampu memahami dan menerapkan konsep large language model (LLM) dalam model machine learning.
PRK	13 (61.90 %)	6 (28.57 %)	0	2 (9.52 %)	90.48 (430.86 %)
prj	20 (95.24 %)	1 (4.76 %)	0	0	100 (476.19 %)
UAS	9 (42.86 %)	6 (28.57 %)	2 (9.52 %)	4 (19.05 %)	80.95 (385.48 %)
Mampu memahami dan menerapkan konsep fine tuning dan retrieval augmented generation (RAG) dalam model machine learning.
PRK	13 (61.90 %)	6 (28.57 %)	0	2 (9.52 %)	90.48 (430.86 %)
prj	20 (95.24 %)	1 (4.76 %)	0	0	100 (476.19 %)
UAS	9 (42.86 %)	6 (28.57 %)	2 (9.52 %)	4 (19.05 %)	80.95 (385.48 %)
Mampu memahami dan menerapkan penggunaan Ollama dan LangChain dalam pengembangan model machine learning.
PRK	13 (61.90 %)	6 (28.57 %)	0	2 (9.52 %)	90.48 (430.86 %)
prj	20 (95.24 %)	1 (4.76 %)	0	0	100 (476.19 %)
UAS	9 (42.86 %)	6 (28.57 %)	2 (9.52 %)	4 (19.05 %)	80.95 (385.48 %)
Mampu memahami dan memanfaatkan platform Hugging Face untuk mengembangkan model machine learning.
prj	20 (95.24 %)	1 (4.76 %)	0	0	100 (476.19 %)
UAS	9 (42.86 %)	6 (28.57 %)	2 (9.52 %)	4 (19.05 %)	80.95 (385.48 %)
Mampu memahami dan menerapkan konsep recurrent neural network (RNN) dan long short-term memory (LSTM) dalam model machine learning.
PRK	13 (61.90 %)	6 (28.57 %)	0	2 (9.52 %)	90.48 (430.86 %)
UTS	7 (33.33 %)	5 (23.81 %)	4 (19.05 %)	5 (23.81 %)	76.19 (362.81 %)
Mampu memahami dan menerapkan konsep embeddings dalam model machine learning.
PRK	13 (61.90 %)	6 (28.57 %)	0	2 (9.52 %)	90.48 (430.86 %)
TIND	14 (66.67 %)	2 (9.52 %)	2 (9.52 %)	3 (14.29 %)	85.71 (408.14 %)
UTS	7 (33.33 %)	5 (23.81 %)	4 (19.05 %)	5 (23.81 %)	76.19 (362.81 %)
Mampu mempresentasikan proyek machine learning dengan jelas dan efektif.
PPT	21 (100.00 %)	0	0	0	100 (476.19 %)
prj	20 (95.24 %)	1 (4.76 %)	0	0	100 (476.19 %)
UAS	9 (42.86 %)	6 (28.57 %)	2 (9.52 %)	4 (19.05 %)	80.95 (385.48 %)

Capaian Sub-CPMK KK1.CPMK-1.1 Perpenilaian

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

Capaian Sub-CPMK KK7.CPMK-2.1 Perpenilaian

Gambar 5. Analisis Ketercapaian Sub KK7.CPMK-2.1 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-2.2 Perpenilaian

Gambar 6. Analisis Ketercapaian Sub KK7.CPMK-2.2 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-3.1 Perpenilaian

Gambar 7. Analisis Ketercapaian Sub KK7.CPMK-3.1 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-4.1 Perpenilaian

Gambar 8. Analisis Ketercapaian Sub KK7.CPMK-4.1 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-4.2 Perpenilaian

Gambar 9. Analisis Ketercapaian Sub KK7.CPMK-4.2 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-4.3 Perpenilaian

Gambar 10. Analisis Ketercapaian Sub KK7.CPMK-4.3 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-4.4 Perpenilaian

Gambar 11. Analisis Ketercapaian Sub KK7.CPMK-4.4 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-4.5 Perpenilaian

Gambar 12. Analisis Ketercapaian Sub KK7.CPMK-4.5 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-4.6 Perpenilaian

Gambar 13. Analisis Ketercapaian Sub KK7.CPMK-4.6 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-4.7 Perpenilaian

Gambar 14. Analisis Ketercapaian Sub KK7.CPMK-4.7 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-5.1 Perpenilaian

Gambar 15. Analisis Ketercapaian Sub KK7.CPMK-5.1 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-5.2 Perpenilaian

Gambar 16. Analisis Ketercapaian Sub KK7.CPMK-5.2 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-5.3 Perpenilaian

Gambar 17. Analisis Ketercapaian Sub KK7.CPMK-5.3 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
No.	NIM	Nama	KK1.CPMK-1.1 Std Mark: 56.00	KK7.CPMK-2.1 Std Mark: 56.00	KK7.CPMK-2.2 Std Mark: 56.00	KK7.CPMK-3.1 Std Mark: 56.00	KK7.CPMK-4.1 Std Mark: 56.00	KK7.CPMK-4.2 Std Mark: 56.00	KK7.CPMK-4.3 Std Mark: 56.00	KK7.CPMK-4.4 Std Mark: 56.00	KK7.CPMK-4.5 Std Mark: 56.00	KK7.CPMK-4.6 Std Mark: 56.00	KK7.CPMK-4.7 Std Mark: 56.00	KK7.CPMK-5.1 Std Mark: 56.00	KK7.CPMK-5.2 Std Mark: 56.00	KK7.CPMK-5.3 Std Mark: 56.00
1	065001800021	RICO RENALDY	87.00	87.00	86.77	90.54	90.54	91.42	86.77	90.44	90.44	90.44	88.90	90.54	86.77	89.36
2	065002100026	SITI AISAH	83.00	83.00	87.28	89.55	89.55	90.19	86.68	90.56	90.56	90.56	88.05	89.55	87.28	88.86
3	065002100005	NIA SUHERNAWATI	78.00	78.00	85.59	86.18	86.18	96.72	90.69	95.02	95.02	95.02	94.05	86.18	85.59	92.36
4	065002100001	EKA ALIDYA	53.00	53.00	77.36	70.71	70.71	93.64	88.46	93.10	93.10	93.10	91.90	70.71	77.36	91.11
5	065002100013	NURAFNI REVITA WIBOWO	83.00	83.00	85.84	89.68	89.68	90.85	85.54	89.84	89.84	89.84	87.03	89.68	85.84	88.27
6	065002100002	NABILAH PUTRI	83.00	83.00	84.68	87.35	87.35	89.44	85.28	85.11	85.11	85.11	82.60	87.35	84.68	85.68
7	065002100022	MUHAMMAD TEGAR HIDAYATULLAH	76.00	76.00	82.81	82.62	82.62	70.78	74.71	77.81	77.81	77.81	73.59	82.62	82.81	80.43
8	065002100031	MUHAMMAD UMAR ARIF PAAGO	73.00	73.00	81.69	81.38	81.38	84.47	82.29	86.78	86.78	86.78	84.74	81.38	81.69	86.93
9	065002100014	NYETO LEO T	50.00	50.00	65.33	61.66	61.66	62.08	63.83	73.09	73.09	73.09	71.36	61.66	65.33	79.13
10	065002100019	JOFI TAUFIQUL HAKIM	80.00	80.00	82.93	81.86	81.86	89.33	87.13	90.83	90.83	90.83	92.59	81.86	82.93	91.51
11	065002100030	NOVAN KRISNA	80.00	80.00	79.98	78.95	78.95	74.19	77.28	81.55	81.55	81.55	82.74	78.95	79.98	85.76
12	065002100016	FARIZ UBAIDILLAH	81.00	81.00	83.56	84.12	84.12	84.41	83.26	87.09	87.09	87.09	86.59	84.12	83.56	88.01
13	065002100017	STEVANI TASYA BAWANO	62.00	62.00	45.80	41.60	41.60	47.50	52.40	66.14	66.14	66.14	81.90	41.60	45.80	85.27
14	065002100024	AFIF MAULANA	62.00	62.00	75.85	70.70	70.70	75.38	77.35	80.82	80.82	80.82	79.99	70.70	75.85	84.16
15	065002100018	ARHANIF ADRIAN RIYADI	62.00	62.00	74.43	66.86	66.86	72.58	77.13	81.05	81.05	81.05	83.02	66.86	74.43	85.93
16	065002100032	MUHAMMAD DANIL HIDAYAT	59.00	59.00	73.13	67.25	67.25	66.32	71.33	71.42	71.42	71.42	69.07	67.25	73.13	77.79
17	065002100015	SURGERY ADHI NUGROHO	34.00	34.00	67.13	51.26	51.26	63.08	71.63	73.98	73.98	73.98	73.07	51.26	67.13	80.13
18	065002100006	BANON DJINAWI SRI MUTIARI	46.00	46.00	46.20	59.40	59.40	78.75	55.80	79.36	79.36	79.36	79.33	59.40	46.20	83.77
19	065002100039	ARMYTA MECKY	52.00	52.00	45.91	51.82	51.82	56.28	48.61	71.67	71.67	71.67	77.42	51.82	45.91	82.66
20	065002100023	TRI BINTANG PAMUNGKAS	69.00	69.00	69.80	73.60	73.60	78.75	72.20	78.99	78.99	78.99	78.56	73.60	69.80	83.33
21	065002100020	KEVIN PUTRA TJAHJONO	73.00	73.00	74.71	82.42	82.42	87.28	76.21	87.81	87.81	87.81	85.31	82.42	74.71	87.27

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, 11-08-2024
Dosen Mata Kuliah,

(2554 Anung Barlianto Ariwibowo, M.Kom.)

PORTOFOLIO MATA KULIAH

PORTOFOLIO MATA KULIAH

1. HALAMAN PENGESAHAN PORTOFOLIO

DAFTAR ISI

2. CAPAIAN PEMBELAJARAN PROGRAM STUDI

Tabel 1. Capaian Pembelajaran Lulusan (CPL) Program Studi

Tabel 2. Capaian Pembelajaran Lulusan yang Dibebankan pada Mata Kuliah

Tabel 3. Pemetaan Keterkaitan Capaian Pembelajaran Mata Kuliah dengan CPL

Tabel 4. Sub Capaian Pembelajaran Mata Kuliah

3. RENCANA PEMBELAJARAN SEMESTER (RPS)

3.1 Muatan RPS

Tabel 5. Format dan Muatan RPS

3.2 Sosialisasi RPS

Tabel 6. Berita Acara Sosialisasi RPS

4. RENCANA PENILAIAN & RUBRIK

4.1. Rencana Penilaian CPMK

Tabel 7. Hubungan CPL, CPMK dan Pertemuan Mingguan

Tabel 8. Rincian Bobot Penilain UTS dan Sesi Pertemuan

Tabel 9. Rincian Bobot Penilain UAS dan Sesi Pertemuan

Tabel 10. Rincian Bobot Penilain Laporan Praktikum dan Sesi Pertemuan

Tabel 11. Rincian Bobot Penilain Tugas dan Sesi Pertemuan

Tabel 12. Pemetaan Rencana Penilaian Setiap Instrument Penilaian

Catatan : total presentase semua instrument dan total seluruh sesi harus sama dengan 100%

Tabel 13. Rencana Penilaian dan Instrument Penilaian

Tabel 14. Indikator Penilaian

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

Tabel 15. Rubrik Penilaian UTS

Tabel 16. Rubrik Penilaian UAS

Tabel 17. Indikator Penilaian Laporan Praktikum

Tabel 18. Indikator Penilaian Tugas

5. EVALUASI DAN ANALISIS HASIL PROSES PEMBELAJARAN

5.1. Nilai Akhir Mata Kuliah dan Distribusinya

Tabel 19. Distribusi Nilai Akhir Mahasiswa

Distribusi Nilai Akhir Mahasiswa

Gambar 1. Distribusi Nilai Akhir Mahasiswa

5.2. Analisis Distribusi Nilai per CPMK

Tabel 20. Analisis Distribusi Nilai Per Sub CPMK

Capaian Sub-CPMK

Gambar 2. Grafik Distribusi Nilai Per Sub CPMK

KEPUASAN MAHASISWA

Gambar 3. Hasil Kuisioner Mahasiswa

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

Tabel 21. Analisis Ketercapaian Nilai Per Teknik Penilaian

Capaian Sub-CPMK KK1.CPMK-1.1 Perpenilaian

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

Capaian Sub-CPMK KK7.CPMK-2.1 Perpenilaian

Gambar 5. Analisis Ketercapaian Sub KK7.CPMK-2.1 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-2.2 Perpenilaian

Gambar 6. Analisis Ketercapaian Sub KK7.CPMK-2.2 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-3.1 Perpenilaian

Gambar 7. Analisis Ketercapaian Sub KK7.CPMK-3.1 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-4.1 Perpenilaian

Gambar 8. Analisis Ketercapaian Sub KK7.CPMK-4.1 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-4.2 Perpenilaian

Gambar 9. Analisis Ketercapaian Sub KK7.CPMK-4.2 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-4.3 Perpenilaian

Gambar 10. Analisis Ketercapaian Sub KK7.CPMK-4.3 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-4.4 Perpenilaian

Gambar 11. Analisis Ketercapaian Sub KK7.CPMK-4.4 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-4.5 Perpenilaian

Gambar 12. Analisis Ketercapaian Sub KK7.CPMK-4.5 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-4.6 Perpenilaian

Gambar 13. Analisis Ketercapaian Sub KK7.CPMK-4.6 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-4.7 Perpenilaian

Gambar 14. Analisis Ketercapaian Sub KK7.CPMK-4.7 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-5.1 Perpenilaian

Gambar 15. Analisis Ketercapaian Sub KK7.CPMK-5.1 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-5.2 Perpenilaian

Gambar 16. Analisis Ketercapaian Sub KK7.CPMK-5.2 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-5.3 Perpenilaian

Gambar 17. Analisis Ketercapaian Sub KK7.CPMK-5.3 Per Teknik Penilaian

5.4. Analisis Distribusi Nilai per Mahasiswa

Tabel 22. Analisis Distribusi Pencapaian Nilai Mahasiswa Per Sub CPMK

6. EVALUASI DAN ANALISIS HASIL PROSES PEMBELAJARAN

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

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

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

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

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

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