Document

PORTOFOLIO MATA KULIAH

Nama Mata Kuliah	:	Probabilitas dan Statistika
Kode Mata Kuliah	:	III6307
Tim Dosen	:	2128 Dr. Dedy Sugiarto 3631 Sofia Debi Puspa, S.Pd., M.Si.
Kelas	:	01
Dosen	:	2128 Dr. Dedy Sugiarto
Semester	:	Genap 2023/2024 (R)
Tahun Akademik	:	2023/2024
Jumlah Mahasiswa	:	34 mahasiswa

Program Studi SISTEM INFORMASI

Fakultas TEKNOLOGI INDUSTRI

Universitas Trisakti

Aug 2024

PORTOFOLIO MATA KULIAH

NAMA MATA KULIAH	: Probabilitas dan Statistika
KODE MATA KULIAH	: III6307
KELAS	: SI-01
SEMESTER	: Genap 2023/2024 (R)
DOSEN PENGAMPU	: 2128 Dr. Dedy Sugiarto
NAMA DOSEN/TIM DOSEN	: 2128 Dr. Dedy Sugiarto 3631 Sofia Debi Puspa, S.Pd., M.Si.
NAMA KOORDINATOR MATA KULIAH	: 2128 Dr. Dedy Sugiarto

1. HALAMAN PENGESAHAN PORTOFOLIO

	PORTOFOLIO MATA KULIAH PROBABILITAS DAN STATISTIKA Tahun Akademik: Genap 2023/2024 (R) Program Studi SISTEM INFORMASI Fakultas TEKNOLOGI INDUSTRI
Kode: III6307	Bobot (sks): 3.00 sks	Rumpun MK:	Semester: GENAP
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

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.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.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	CPMK 1 Memahami pengertian probabilitas, statistika, sains data dan mengenal penggunaan Python atau R untuk statistika dalam sains data
KK.1	KK1.CPMK-2	CPMK 4 Mampu menghitung pendugaan interval serta pengujian hipotesis dari parameter populasi
KK.1	KK1.CPMK-3	CPMK 3 Melakukan perhitungan probabilitas kejadian dan probabilitas peubah acak
KK.1	KK1.CPMK-4	CPMK 2 mampu meringkas dan menyajikan data (statistika deskriptif) melalui penggunaan python atau R
KK.7	KK7.CPMK-5	CPMK 7 Mampu melakukan uji statistika non parametrik
KK.7	KK7.CPMK-6	CPMK 6 Mampu melakukan analisis ragam
KK.7	KK7.CPMK-7	CPMK 5 Mampu melakukan analisis regresi dan korelasi

Tabel 4. Sub Capaian Pembelajaran Mata Kuliah

KODE CPL

KODE CPMK

DESKRIPSI Sub CPMK

KK.1

KK1.CPMK-1

KK1.CPMK-1.1

KAD 1 Memahami definisi statistika deskriptif dan inferensia & peran statistika dalam sains data

KK.1

KK1.CPMK-2

KK1.CPMK-2.1	KAD 8 Mampu menghitung pendugaan interval untuk satu rata-rata populasi, selisih dua rata-rata populasi, satu proporsi populasi dan selisih dua proporsi populasi secara manual dan menggunakan python atau R
KK1.CPMK-2.2	KAD 9 Mampu melakukan pengujian hipotesis untuk satu rata-rata populasi dan satu proporsi populasi secara manual dan menggunakan python atau R
KK1.CPMK-2.3	KAD 10 Mampu melakukan pengujian kesesuaian dengan distribusi normal serta pengujian hubungan antar dua peubah kategorik (uji kebebasan)

KK.1

KK1.CPMK-3

KK1.CPMK-3.1	KAD 4 Mampu memahami konsep ruang sampel dan kejadian serta menghitung titik sampel
KK1.CPMK-3.2	KAD 5 Mampu memahami aturan-aturan probabilitas, menghitung probabilitas kejadian, probabilitas bersyarat serta probabilitas kejadian dengan menggunakan kaidah bayes
KK1.CPMK-3.3	KAD 6 Mampu menghitung peluang peubah acak binom dan poisson
KK1.CPMK-3.4	KAD 7 Mampu menghitung peluang peubah acak normal dan eksponensial

KK.1

KK1.CPMK-4

KK1.CPMK-4.1	KAD 2 Melakukan perhitungan berbagai ukuran-ukuran statistika (lokasi, keragaman, bentuk) untuk meringkas data menggunakan python atau R
KK1.CPMK-4.2	KAD 3 Melakukan eksplorasi data statistik menggunakan Python atau R

KK.7

KK7.CPMK-5

KK7.CPMK-5.1

KAD 14 Mampu melakukan dan interpretasi hasil pengujian statistika non parametrik Mann-Whitney U, Wilcoxon Signed-Rank, Kruskal-Wallis, Spearman Correlation menggunakan python atau R

KK.7

KK7.CPMK-6

KK7.CPMK-6.1

KAD 13 Mampu memahami konsep analisis ragam dan rancangan eksoerimen serta melakukan dan interpretasi analisis ragam satu arah menggunakan python atau R

KK.7

KK7.CPMK-7

KK7.CPMK-7.1	KAD 11 Mampu membuat, menguji dan menginterpretasi persamaan regresi linier sederhana dan berganda menggunakan python atau R
KK7.CPMK-7.2	KAD 12 Mampu menampilkan, menguji dan menginterpretasi korelasi linier antar variabel menggunakan python atau R

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/III6307

Program Studi : SISTEM INFORMASI		Semester : Genap 2023/2024 (R);Jenis Mata Kuliah : Wajib Kode Mata Kuliah : III6307 SKS : 3.00
Mata Kuliah : Probabilitas dan Statistika		Dosen : 2128 Dr. Dedy Sugiarto 3631 Sofia Debi Puspa, S.Pd., M.Si.
MK Prasyarat : Tidak ada prasyarat;

Sesi Ke	KAD	Bahan Kajian	Metoda Pembelajaran	Waktu Belajar (Menit)	Pengalaman Belajar Mahasiswa	Referensi	Kriteria Penilaian (Indikator)
1	KAD 1 Memahami definisi statistika deskriptif dan inferensia & peran statistika dalam sains data	Pengertian statistika, pembagian ilmu statistika, peran statistika dalam sains data, pengenalan python dan R	Tutorial Diskusi	150.00	Mendengarkan paparan dosen, berdiskusi dan mengerjakan soal latihan, praktek menggunakan python/R	Walpole RE, Myers RH, Myers SL, Ye K(2016) Thomas Haslwanter(2016)	Tugas - 5.00 % Praktikum - 3.00 %
2	KAD 2 Melakukan perhitungan berbagai ukuran-ukuran statistika (lokasi, keragaman, bentuk) untuk meringkas data menggunakan python atau R	Penyajian data menggunakan ukuran-ukuran statistika	Tutorial Diskusi	150.00	Mendengarkan paparan dosen, berdiskusi, mengerjakan soal latihan, praktek menggunakan python/R	Walpole RE, Myers RH, Myers SL, Ye K(2016)	Praktikum - 3.00 %
3	KAD 3 Melakukan eksplorasi data statistik menggunakan Python atau R	Eksplorasi dan visualisasi data	Tutorial Diskusi	150.00	Mendengarkan paparan dosen, berdiskusi, mengerjakan soal latihan, praktek menggunakan python/R	Walpole RE, Myers RH, Myers SL, Ye K(2016)	Praktikum - 3.00 %
4	KAD 4 Mampu memahami konsep ruang sampel dan kejadian serta menghitung titik sampel	Konsep ruang sampel, kejadian dan menghitung titik sampel, peluang kejadian dan peluang peubah acak	Tutorial Diskusi	150.00	Mendengarkan paparan dosen, berdiskusi, mengerjakan soal latihan	Walpole RE, Myers RH, Myers SL, Ye K(2016)	Tugas - 5.00 %
5	KAD 5 Mampu memahami aturan-aturan probabilitas, menghitung probabilitas kejadian, probabilitas bersyarat serta probabilitas kejadian dengan menggunakan kaidah bayes	Aturan-aturan probabilitas, probabilitas suatu kejadian, probabilitas bersyarat dan kaidah bayes	Tutorial Diskusi	150.00	Mendengarkan paparan dosen, berdiskusi, mengerjakan soal latihan	Walpole RE, Myers RH, Myers SL, Ye K(2016)	Ujian Tengah Semester - 5.00 %
6	KAD 6 Mampu menghitung peluang peubah acak binom dan poisson	Probabilitas peubah acak binom dan poisson	Tutorial Diskusi	150.00	Mendengarkan paparan dosen, berdiskusi, mengerjakan soal latihan, praktek menggunakan python/R	Walpole RE, Myers RH, Myers SL, Ye K(2016)	Ujian Tengah Semester - 10.00 % Praktikum - 3.00 %
7	KAD 7 Mampu menghitung peluang peubah acak normal dan eksponensial	Probabilitas peubah acak normal dan eksponensial, aplikasi sebaran normal dan eksponensial	Tutorial Diskusi	150.00	Mendengarkan paparan dosen, berdiskusi, mengerjakan soal latihan, praktek menggunakan python/R	Walpole RE, Myers RH, Myers SL, Ye K(2016)	Ujian Tengah Semester - 10.00 % Praktikum - 3.00 %
8	KAD 8 Mampu menghitung pendugaan interval untuk satu rata-rata populasi, selisih dua rata-rata populasi, satu proporsi populasi dan selisih dua proporsi populasi secara manual dan menggunakan python atau R	Pendugaan interval rata-rata dan proporsi populasi	Tutorial Diskusi	150.00	Mendengarkan paparan dosen, berdiskusi, mengerjakan soal latihan, praktek menggunakan python/R	Walpole RE, Myers RH, Myers SL, Ye K(2016)	Praktikum - 3.00 %
9	KAD 9 Mampu melakukan pengujian hipotesis untuk satu rata-rata populasi dan satu proporsi populasi secara manual dan menggunakan python atau R	Pengujian hipotesis untuk satu rata-rata dan satu proporsi populasi	Tutorial Diskusi	150.00	Mendengarkan paparan dosen, berdiskusi dan mengerjakan soal latihan, praktek menggunakan python/R	Walpole RE, Myers RH, Myers SL, Ye K(2016)	Praktikum - 3.00 % Ujian Akhir Semester - 5.00 % Tugas - 5.00 %
10	KAD 10 Mampu melakukan pengujian kesesuaian dengan distribusi normal serta pengujian hubungan antar dua peubah kategorik (uji kebebasan)	Pengujian kesesuaian distribusi (Goodness of Fit) dan uji kebebasan (independence test)	Tutorial Diskusi	150.00	Mendengarkan paparan dosen, berdiskusi, mengerjakan soal latihan, praktek menggunakan python/R	Walpole RE, Myers RH, Myers SL, Ye K(2016)	Praktikum - 3.00 % Ujian Akhir Semester - 5.00 % Tugas - 5.00 %
11	KAD 11 Mampu membuat, menguji dan menginterpretasi persamaan regresi linier sederhana dan berganda menggunakan python atau R	Konsep regresi, regresi linier sederhana, regresi linier berganda	Tutorial Diskusi	150.00	Mendengarkan paparan dosen, berdiskusi, mengerjakan soal latihan, praktek menggunakan python/R	Walpole RE, Myers RH, Myers SL, Ye K(2016)	Ujian Akhir Semester - 5.00 %
12	KAD 12 Mampu menampilkan, menguji dan menginterpretasi korelasi linier antar variabel menggunakan python atau R	Korelasi linier, scatter plot, koefisien determinasi	Tutorial Diskusi	150.00	Mendengarkan paparan dosen, berdiskusi, mengerjakan soal latihan, praktek menggunakan python/R	Walpole RE, Myers RH, Myers SL, Ye K(2016)	Praktikum - 3.00 %
13	KAD 13 Mampu memahami konsep analisis ragam dan rancangan eksoerimen serta melakukan dan interpretasi analisis ragam satu arah menggunakan python atau R	Analisis ragam satu arah	Tutorial Diskusi	150.00	Mendengarkan paparan dosen, berdiskusi dan mengerjakan soal latihan, praktek menggunakan python/R	Walpole RE, Myers RH, Myers SL, Ye K(2016)	Praktikum - 3.00 % Ujian Akhir Semester - 5.00 %
14	KAD 14 Mampu melakukan dan interpretasi hasil pengujian statistika non parametrik Mann-Whitney U, Wilcoxon Signed-Rank, Kruskal-Wallis, Spearman Correlation menggunakan python atau R	Statistika non parametrik	Tutorial Diskusi	150.00	Mendengarkan paparan dosen, berdiskusi dan mengerjakan soal latihan, praktek menggunakan python/R	Walpole RE, Myers RH, Myers SL, Ye K(2016)	Ujian Akhir Semester - 5.00 %

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
Probabilitas dan Statistika		2128 Dr. Dedy Sugiarto		; Tuesday 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			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
LOW	KK.1	KK1.CPMK-1	KK1.CPMK-1.1	Minggu ke-1 Assessment: Praktikum (3.00%) Minggu ke-1 Assessment: Tugas (5.00%)
LOW	KK.1	KK1.CPMK-2	KK1.CPMK-2.1	Minggu ke-8 Assessment: Praktikum (3.00%)
LOW	KK.1	KK1.CPMK-2	KK1.CPMK-2.2	Minggu ke-9 Assessment: Tugas (5.00%) Minggu ke-9 Assessment: Ujian Akhir Semester (5.00%) Minggu ke-9 Assessment: Praktikum (3.00%)
LOW	KK.1	KK1.CPMK-2	KK1.CPMK-2.3	Minggu ke-10 Assessment: Tugas (5.00%) Minggu ke-10 Assessment: Praktikum (3.00%) Minggu ke-10 Assessment: Ujian Akhir Semester (5.00%)
LOW	KK.1	KK1.CPMK-3	KK1.CPMK-3.1	Minggu ke-4 Assessment: Tugas (5.00%)
LOW	KK.1	KK1.CPMK-3	KK1.CPMK-3.2	Minggu ke-5 Assessment: Ujian Tengah Semester (5.00%)
LOW	KK.1	KK1.CPMK-3	KK1.CPMK-3.3	Minggu ke-6 Assessment: Ujian Tengah Semester (10.00%) Minggu ke-6 Assessment: Praktikum (3.00%)
LOW	KK.1	KK1.CPMK-3	KK1.CPMK-3.4	Minggu ke-7 Assessment: Praktikum (3.00%) Minggu ke-7 Assessment: Ujian Tengah Semester (10.00%)
LOW	KK.1	KK1.CPMK-4	KK1.CPMK-4.1	Minggu ke-2 Assessment: Praktikum (3.00%)
LOW	KK.1	KK1.CPMK-4	KK1.CPMK-4.2	Minggu ke-3 Assessment: Praktikum (3.00%)
HEIGHT	KK.7	KK7.CPMK-5	KK7.CPMK-5.1	Minggu ke-14 Assessment: Ujian Akhir Semester (5.00%)
HEIGHT	KK.7	KK7.CPMK-6	KK7.CPMK-6.1	Minggu ke-13 Assessment: Ujian Akhir Semester (5.00%) Minggu ke-13 Assessment: Praktikum (3.00%)
HEIGHT	KK.7	KK7.CPMK-7	KK7.CPMK-7.1	Minggu ke-11 Assessment: Ujian Akhir Semester (5.00%)
HEIGHT	KK.7	KK7.CPMK-7	KK7.CPMK-7.2	Minggu ke-12 Assessment: Praktikum (3.00%)

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-3	KK1.CPMK-3.2					5.00%			5%
KK.1	KK1.CPMK-3	KK1.CPMK-3.3						10.00%		10%
KK.1	KK1.CPMK-3	KK1.CPMK-3.4							10.00%	10%
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	TOTAL
KK.1	KK1.CPMK-2	KK1.CPMK-2.2		5.00%						5%
KK.1	KK1.CPMK-2	KK1.CPMK-2.3			5.00%					5%
KK.7	KK7.CPMK-5	KK7.CPMK-5.1							5.00%	5%
KK.7	KK7.CPMK-6	KK7.CPMK-6.1						5.00%		5%
KK.7	KK7.CPMK-7	KK7.CPMK-7.1				5.00%				5%
TOTAL										25%

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

KK.1

KK1.CPMK-1

KK1.CPMK-1.1

5.00%

KK.1

KK1.CPMK-2

KK1.CPMK-2.2

5.00%

KK.1

KK1.CPMK-2

KK1.CPMK-2.3

5.00%

KK.1

KK1.CPMK-3

KK1.CPMK-3.1

5.00%

TOTAL

20%

Tabel 12. Pemetaan Rencana Penilaian Setiap Instrument Penilaian

Materi Sesi

Minggu Ke -

TOTAL

M10

M14

M13

M11

M12

Komponen

PRK

UAS

PRK

UAS

UTS

PRK

UTS

PRK

UAS

PRK

UAS

PRK

CPL

CPMK

Sub CPMK

A10

A11

A12

A13

A14

A15

A16

A17

A18

A19

A20

A21

A22

Bobot

KK.1

KK1.CPMK-1

KK1.CPMK-1.1

3.00%

5.00%

KK.1

KK1.CPMK-2

KK1.CPMK-2.1

3.00%

KK.1

KK1.CPMK-2

KK1.CPMK-2.2

5.00%

3.00%

13%

KK.1

KK1.CPMK-2

KK1.CPMK-2.3

5.00%

3.00%

5.00%

13%

KK.1

KK1.CPMK-3

KK1.CPMK-3.1

5.00%

KK.1

KK1.CPMK-3

KK1.CPMK-3.2

5.00%

KK.1

KK1.CPMK-3

KK1.CPMK-3.3

10.00%

3.00%

13%

KK.1

KK1.CPMK-3

KK1.CPMK-3.4

3.00%

10.00%

13%

KK.1

KK1.CPMK-4

KK1.CPMK-4.1

3.00%

KK.1

KK1.CPMK-4

KK1.CPMK-4.2

3.00%

KK.7

KK7.CPMK-5

KK7.CPMK-5.1

5.00%

KK.7

KK7.CPMK-6

KK7.CPMK-6.1

5.00%

3.00%

KK.7

KK7.CPMK-7

KK7.CPMK-7.1

5.00%

KK.7

KK7.CPMK-7

KK7.CPMK-7.2

3.00%

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	PRK TG
KK.1	KK1.CPMK-2	KK1.CPMK-2.1	PRK
KK.1	KK1.CPMK-2	KK1.CPMK-2.2	TG UAS PRK
KK.1	KK1.CPMK-2	KK1.CPMK-2.3	TG PRK UAS
KK.1	KK1.CPMK-3	KK1.CPMK-3.1	TG
KK.1	KK1.CPMK-3	KK1.CPMK-3.2	UTS
KK.1	KK1.CPMK-3	KK1.CPMK-3.3	UTS PRK
KK.1	KK1.CPMK-3	KK1.CPMK-3.4	PRK UTS
KK.1	KK1.CPMK-4	KK1.CPMK-4.1	PRK
KK.1	KK1.CPMK-4	KK1.CPMK-4.2	PRK
KK.7	KK7.CPMK-5	KK7.CPMK-5.1	UAS
KK.7	KK7.CPMK-6	KK7.CPMK-6.1	UAS PRK
KK.7	KK7.CPMK-7	KK7.CPMK-7.1	UAS
KK.7	KK7.CPMK-7	KK7.CPMK-7.2	PRK

Tabel 14. Indikator Penilaian

Kategori Penilaian	Range Penilaian	Nilai
Sangat Baik	>= 80	4
Baik	68 - 79,99	3
Cukup	56 - 67,99	2
Kurang	<	1

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

Tabel 15. Rubrik Penilaian UTS

UTS

CPL

CMPK

Sub CPMK

Rubrik / Rubric

KK.1

KK1.CPMK-3

KK1.CPMK-3.2

KAD 5 Mampu memahami aturan-aturan probabilitas, menghitung probabilitas kejadian, probabilitas bersyarat serta probabilitas kejadian dengan menggunakan kaidah bayes

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

KK.1

KK1.CPMK-3

KK1.CPMK-3.3

KAD 6 Mampu menghitung peluang peubah acak binom dan poisson

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

KK.1

KK1.CPMK-3

KK1.CPMK-3.4

KAD 7 Mampu menghitung peluang peubah acak normal dan eksponensial

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

Tabel 16. Rubrik Penilaian UAS

UAS

CPL

CMPK

Sub CPMK

Rubrik / Rubric

KK.1

KK1.CPMK-2

KK1.CPMK-2.2

KAD 9 Mampu melakukan pengujian hipotesis untuk satu rata-rata populasi dan satu proporsi populasi secara manual dan menggunakan python atau R

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

KK.1

KK1.CPMK-2

KK1.CPMK-2.3

KAD 10 Mampu melakukan pengujian kesesuaian dengan distribusi normal serta pengujian hubungan antar dua peubah kategorik (uji kebebasan)

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

KK.7

KK7.CPMK-5

KK7.CPMK-5.1

KAD 14 Mampu melakukan dan interpretasi hasil pengujian statistika non parametrik Mann-Whitney U, Wilcoxon Signed-Rank, Kruskal-Wallis, Spearman Correlation menggunakan python atau R

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

KK.7

KK7.CPMK-6

KK7.CPMK-6.1

KAD 13 Mampu memahami konsep analisis ragam dan rancangan eksoerimen serta melakukan dan interpretasi analisis ragam satu arah menggunakan python atau R

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

KK.7

KK7.CPMK-7

KK7.CPMK-7.1

KAD 11 Mampu membuat, menguji dan menginterpretasi persamaan regresi linier sederhana dan berganda menggunakan python atau R

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam questions

Rubrik Penilaian

Tidak ada rubrik penilaian

Indikator Kinerja: Ketepatan menjawab soal ujian
Performance Indicator: Accuracy in answering exam 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	5	14.71
A-	0	0.00
B+	1	2.94
B	6	17.65
B-	0	0.00
C+	4	11.76
C	1	2.94
D	6	17.65

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 1 Memahami definisi statistika deskriptif dan inferensia & peran statistika dalam sains data	29	2	3	0	100.00
KK1.CPMK-2.1 KAD 8 Mampu menghitung pendugaan interval untuk satu rata-rata populasi, selisih dua rata-rata populasi, satu proporsi populasi dan selisih dua proporsi populasi secara manual dan menggunakan python atau R	17	2	6	9	73.53
KK1.CPMK-2.2 KAD 9 Mampu melakukan pengujian hipotesis untuk satu rata-rata populasi dan satu proporsi populasi secara manual dan menggunakan python atau R	4	8	9	13	61.76
KK1.CPMK-2.3 KAD 10 Mampu melakukan pengujian kesesuaian dengan distribusi normal serta pengujian hubungan antar dua peubah kategorik (uji kebebasan)	5	4	6	19	44.12
KK1.CPMK-3.1 KAD 4 Mampu memahami konsep ruang sampel dan kejadian serta menghitung titik sampel	25	0	0	9	73.53
KK1.CPMK-3.2 KAD 5 Mampu memahami aturan-aturan probabilitas, menghitung probabilitas kejadian, probabilitas bersyarat serta probabilitas kejadian dengan menggunakan kaidah bayes	8	2	3	21	38.24
KK1.CPMK-3.3 KAD 6 Mampu menghitung peluang peubah acak binom dan poisson	9	3	5	17	50.00
KK1.CPMK-3.4 KAD 7 Mampu menghitung peluang peubah acak normal dan eksponensial	8	4	4	18	47.06
KK1.CPMK-4.1 KAD 2 Melakukan perhitungan berbagai ukuran-ukuran statistika (lokasi, keragaman, bentuk) untuk meringkas data menggunakan python atau R	21	3	3	7	79.41
KK1.CPMK-4.2 KAD 3 Melakukan eksplorasi data statistik menggunakan Python atau R	27	2	0	5	85.29
KK7.CPMK-5.1 KAD 14 Mampu melakukan dan interpretasi hasil pengujian statistika non parametrik Mann-Whitney U, Wilcoxon Signed-Rank, Kruskal-Wallis, Spearman Correlation menggunakan python atau R	2	0	0	32	5.88
KK7.CPMK-6.1 KAD 13 Mampu memahami konsep analisis ragam dan rancangan eksoerimen serta melakukan dan interpretasi analisis ragam satu arah menggunakan python atau R	1	3	0	30	11.76
KK7.CPMK-7.1 KAD 11 Mampu membuat, menguji dan menginterpretasi persamaan regresi linier sederhana dan berganda menggunakan python atau R	3	0	2	29	14.71
KK7.CPMK-7.2 KAD 12 Mampu menampilkan, menguji dan menginterpretasi korelasi linier antar variabel menggunakan python atau R	22	0	0	12	64.71

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
KAD 1 Memahami definisi statistika deskriptif dan inferensia & peran statistika dalam sains data
PRK	24 (70.59 %)	5 (14.71 %)	0	5 (14.71 %)	85.29 (250.85 %)
TG	34 (100.00 %)	0	0	0	100 (294.12 %)
KAD 8 Mampu menghitung pendugaan interval untuk satu rata-rata populasi, selisih dua rata-rata populasi, satu proporsi populasi dan selisih dua proporsi populasi secara manual dan menggunakan python atau R
PRK	17 (50.00 %)	2 (5.88 %)	6 (17.65 %)	9 (26.47 %)	73.53 (216.26 %)
KAD 9 Mampu melakukan pengujian hipotesis untuk satu rata-rata populasi dan satu proporsi populasi secara manual dan menggunakan python atau R
PRK	21 (61.76 %)	4 (11.76 %)	1 (2.94 %)	8 (23.53 %)	76.47 (224.91 %)
UAS	2 (6.45 %)	0	2 (6.45 %)	27 (87.10 %)	12.9 (41.61 %)
TG	21 (61.76 %)	0	0	13 (38.24 %)	61.76 (181.65 %)
KAD 10 Mampu melakukan pengujian kesesuaian dengan distribusi normal serta pengujian hubungan antar dua peubah kategorik (uji kebebasan)
PRK	23 (67.65 %)	1 (2.94 %)	0	10 (29.41 %)	70.59 (207.62 %)
UAS	1 (3.23 %)	3 (9.68 %)	0	27 (87.10 %)	12.9 (41.61 %)
TG	16 (47.06 %)	0	0	18 (52.94 %)	47.06 (138.41 %)
KAD 4 Mampu memahami konsep ruang sampel dan kejadian serta menghitung titik sampel
TG	25 (73.53 %)	0	0	9 (26.47 %)	73.53 (216.26 %)
KAD 5 Mampu memahami aturan-aturan probabilitas, menghitung probabilitas kejadian, probabilitas bersyarat serta probabilitas kejadian dengan menggunakan kaidah bayes
UTS	8 (23.53 %)	2 (5.88 %)	3 (8.82 %)	21 (61.76 %)	38.24 (112.47 %)
KAD 6 Mampu menghitung peluang peubah acak binom dan poisson
PRK	22 (64.71 %)	1 (2.94 %)	1 (2.94 %)	10 (29.41 %)	70.59 (207.62 %)
UTS	8 (23.53 %)	2 (5.88 %)	3 (8.82 %)	21 (61.76 %)	38.24 (112.47 %)
KAD 7 Mampu menghitung peluang peubah acak normal dan eksponensial
PRK	20 (58.82 %)	4 (11.76 %)	2 (5.88 %)	8 (23.53 %)	76.47 (224.91 %)
UTS	8 (23.53 %)	2 (5.88 %)	3 (8.82 %)	21 (61.76 %)	38.24 (112.47 %)
KAD 2 Melakukan perhitungan berbagai ukuran-ukuran statistika (lokasi, keragaman, bentuk) untuk meringkas data menggunakan python atau R
PRK	21 (61.76 %)	3 (8.82 %)	3 (8.82 %)	7 (20.59 %)	79.41 (233.56 %)
KAD 3 Melakukan eksplorasi data statistik menggunakan Python atau R
PRK	27 (79.41 %)	2 (5.88 %)	0	5 (14.71 %)	85.29 (250.85 %)
KAD 14 Mampu melakukan dan interpretasi hasil pengujian statistika non parametrik Mann-Whitney U, Wilcoxon Signed-Rank, Kruskal-Wallis, Spearman Correlation menggunakan python atau R
UAS	2 (6.45 %)	0	0	29 (93.55 %)	6.45 (20.81 %)
KAD 13 Mampu memahami konsep analisis ragam dan rancangan eksoerimen serta melakukan dan interpretasi analisis ragam satu arah menggunakan python atau R
PRK	24 (70.59 %)	0	0	10 (29.41 %)	70.59 (207.62 %)
UAS	0	1 (3.23 %)	0	30 (96.77 %)	3.23 (10.42 %)
KAD 11 Mampu membuat, menguji dan menginterpretasi persamaan regresi linier sederhana dan berganda menggunakan python atau R
UAS	3 (9.68 %)	0	2 (6.45 %)	26 (83.87 %)	16.13 (52.03 %)
KAD 12 Mampu menampilkan, menguji dan menginterpretasi korelasi linier antar variabel menggunakan python atau R
PRK	22 (64.71 %)	0	0	12 (35.29 %)	64.71 (190.32 %)

Capaian Sub-CPMK KK1.CPMK-1.1 Perpenilaian

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

Capaian Sub-CPMK KK1.CPMK-2.1 Perpenilaian

Gambar 5. Analisis Ketercapaian Sub KK1.CPMK-2.1 Per Teknik Penilaian

Capaian Sub-CPMK KK1.CPMK-2.2 Perpenilaian

Gambar 6. Analisis Ketercapaian Sub KK1.CPMK-2.2 Per Teknik Penilaian

Capaian Sub-CPMK KK1.CPMK-2.3 Perpenilaian

Gambar 7. Analisis Ketercapaian Sub KK1.CPMK-2.3 Per Teknik Penilaian

Capaian Sub-CPMK KK1.CPMK-3.1 Perpenilaian

Gambar 8. Analisis Ketercapaian Sub KK1.CPMK-3.1 Per Teknik Penilaian

Capaian Sub-CPMK KK1.CPMK-3.2 Perpenilaian

Gambar 9. Analisis Ketercapaian Sub KK1.CPMK-3.2 Per Teknik Penilaian

Capaian Sub-CPMK KK1.CPMK-3.3 Perpenilaian

Gambar 10. Analisis Ketercapaian Sub KK1.CPMK-3.3 Per Teknik Penilaian

Capaian Sub-CPMK KK1.CPMK-3.4 Perpenilaian

Gambar 11. Analisis Ketercapaian Sub KK1.CPMK-3.4 Per Teknik Penilaian

Capaian Sub-CPMK KK1.CPMK-4.1 Perpenilaian

Gambar 12. Analisis Ketercapaian Sub KK1.CPMK-4.1 Per Teknik Penilaian

Capaian Sub-CPMK KK1.CPMK-4.2 Perpenilaian

Gambar 13. Analisis Ketercapaian Sub KK1.CPMK-4.2 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-5.1 Perpenilaian

Gambar 14. Analisis Ketercapaian Sub KK7.CPMK-5.1 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-6.1 Perpenilaian

Gambar 15. Analisis Ketercapaian Sub KK7.CPMK-6.1 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-7.1 Perpenilaian

Gambar 16. Analisis Ketercapaian Sub KK7.CPMK-7.1 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-7.2 Perpenilaian

Gambar 17. Analisis Ketercapaian Sub KK7.CPMK-7.2 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	KK1.CPMK-2.1 Std Mark: 56.00	KK1.CPMK-2.2 Std Mark: 56.00	KK1.CPMK-2.3 Std Mark: 56.00	KK1.CPMK-3.1 Std Mark: 56.00	KK1.CPMK-3.2 Std Mark: 56.00	KK1.CPMK-3.3 Std Mark: 56.00	KK1.CPMK-3.4 Std Mark: 56.00	KK1.CPMK-4.1 Std Mark: 56.00	KK1.CPMK-4.2 Std Mark: 56.00	KK7.CPMK-5.1 Std Mark: 56.00	KK7.CPMK-6.1 Std Mark: 56.00	KK7.CPMK-7.1 Std Mark: 56.00	KK7.CPMK-7.2 Std Mark: 56.00
1	065002300010	SYIFA KURNIA SARI	96.88	100.00	67.31	88.46	95.00	100.00	100.00	100.00	100.00	100.00	15.00	45.00	60.00	100.00
2	065002300018	MUHAMMAD DHIMAS DARMAWAN	95.38	50.00	29.06	30.00	95.00	20.00	25.77	15.38	96.50	85.00	0.00	47.50	0.00	0.00
3	065002300016	ALMAKIUS FELIX BARIQ HEKOPUNG	96.88	100.00	100.00	100.00	95.00	100.00	100.00	100.00	100.00	100.00	0.00	43.75	80.00	100.00
4	065002300015	ADITYA FAJRIAN ARYADEVA	92.81	92.50	66.15	60.96	95.00	53.00	63.85	63.85	97.50	100.00	15.00	36.56	30.00	100.00
5	065002300012	VIRA ADITYA KURNIAWAN	93.75	100.00	67.31	66.73	95.00	82.00	86.15	86.15	95.00	100.00	15.00	46.88	15.00	100.00
6	065002300002	DEWANTO MAULANA SUKARNO PUTRA	96.88	100.00	83.46	88.46	95.00	100.00	100.00	100.00	100.00	100.00	50.00	68.75	30.00	100.00
7	065002300024	MUHAMMAD RAYYAN NAUFAL	92.81	97.50	69.23	68.65	95.00	35.00	49.42	50.00	97.50	92.50	15.00	45.94	15.00	90.00
8	065002300006	BAMBANG AJI WICAKSONO	98.75	100.00	83.46	69.23	95.00	55.00	65.38	65.38	100.00	95.00	15.00	45.94	50.00	100.00
9	065002300028	RAFIQ AL DARIS UTOMO	91.88	62.50	60.38	28.85	95.00	30.00	39.23	39.23	67.50	87.50	15.00	46.25	30.00	90.00
10	065002300005	APRIL LESA FARSILIS	83.44	64.00	7.69	18.08	95.00	51.00	49.62	47.88	50.00	80.00	20.00	40.94	30.00	47.50
11	065002300031	ZULFA SATRIA RANGGI	90.00	0.00	0.00	0.00	0.00	15.00	11.54	11.54	25.00	45.00	0.00	0.00	0.00	0.00
12	065002300013	DYAH KARTIKA PUTRI SAMUDERA YANUAR	83.44	71.50	21.92	16.15	95.00	66.00	61.15	65.19	50.00	77.50	15.00	44.38	50.00	50.00
13	065002300020	RAYHAN DONI PRAMANA	91.50	97.50	68.65	66.15	95.00	67.00	74.04	74.04	97.50	95.00	80.00	45.00	50.00	97.50
14	065002100014	NYETO LEO T	82.50	50.00	20.77	13.85	0.00	35.00	26.92	44.23	72.50	37.50	15.00	9.38	0.00	45.00
15	065002300019	NICHOLAS SAPUTRA	96.88	100.00	100.00	80.77	95.00	100.00	100.00	100.00	96.50	100.00	80.00	81.25	100.00	100.00
16	065002300030	MONICA SICILIA SIMANJUNTAK	95.94	100.00	76.92	69.23	95.00	100.00	100.00	100.00	100.00	100.00	50.00	68.75	100.00	97.50
17	065002300021	NADHIRA ANINDITA RALENA	93.75	62.50	69.23	69.23	95.00	80.00	84.04	84.04	97.50	100.00	50.00	68.75	15.00	87.50
18	065002300036	NASWA AULIA PUTRI ALY	92.81	62.50	68.65	65.00	95.00	50.00	60.38	60.96	97.50	100.00	15.00	45.94	15.00	96.50
19	065002300014	NALENDRA MUNARKO PUTRA	95.94	96.50	68.65	27.69	95.00	61.00	69.42	69.42	97.50	95.00	50.00	45.94	15.00	97.50
20	065002300034	MUHAMMAD DONY FATAHILLAH ASSYA'BANI	92.81	86.00	25.96	40.58	0.00	47.00	55.77	55.77	67.50	95.00	15.00	45.94	30.00	95.00
21	065002300004	TANAYA PUTRI KARNADIPURA	89.38	70.00	59.81	81.73	95.00	46.00	58.23	52.69	97.50	95.00	0.00	33.75	60.00	95.00
22	065002300011	ANDREW HENDRIAN NATHANAEL	91.88	97.50	73.08	65.58	95.00	70.00	76.12	76.12	97.50	96.00	15.00	46.88	15.00	100.00
23	065002300023	AUREL REGINA HARDYE	91.88	64.00	23.85	26.73	95.00	45.00	45.00	49.04	75.00	90.00	15.00	44.06	15.00	45.00
24	065002300003	JET ADITYA PRATOMO	93.75	97.50	73.08	67.31	95.00	74.00	80.00	79.42	95.00	97.50	15.00	46.88	40.00	100.00
25	065002300001	MOAMMAR DEMAS KENZIE	73.13	0.00	0.00	5.77	0.00	43.00	43.46	33.08	84.00	92.50	15.00	0.00	0.00	0.00
26	065002300029	HANNAN FATHUR HENDRAWAN	56.25	0.00	5.77	5.77	0.00	15.00	11.54	11.54	0.00	0.00	0.00	0.00	0.00	0.00
27	065002300026	KEVIN RIZKY PRADANA	92.44	97.50	65.38	23.27	0.00	18.00	36.92	36.35	92.50	95.00	0.00	37.50	20.00	100.00
28	065002300017	PARTAHI DANIEL TUA LIMBONG	88.13	90.00	64.42	45.77	95.00	20.00	35.00	35.58	67.50	87.50	15.00	43.13	15.00	95.00
29	065002300033	ZAVIER ZAHEDI	56.25	0.00	5.77	5.77	0.00	15.00	11.54	11.54	0.00	0.00	15.00	9.38	15.00	0.00
30	065002300032	FADHIL IBRAHIM WIRA DHARMA	100.00	95.00	66.73	25.96	95.00	100.00	98.85	98.85	95.00	95.00	15.00	28.13	15.00	97.50
31	065002300008	NUR IMAM	91.88	57.50	61.35	39.42	95.00	25.00	37.69	35.38	85.00	87.50	15.00	45.94	50.00	87.50
32	065002300027	BAYU PRAMONO	83.25	0.00	18.65	46.15	95.00	33.00	45.58	47.88	79.00	70.00	0.00	0.00	0.00	47.50
33	065002300007	DAFASYAH ADINATA	73.13	0.00	0.00	7.69	0.00	25.00	33.65	27.88	0.00	90.00	0.00	0.00	0.00	0.00
34	065002300022	ERSA ASHARI	56.25	37.50	0.00	0.00	0.00	42.00	32.31	32.31	0.00	45.00	0.00	0.00	0.00	0.00

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,

(2128 Dr. Dedy Sugiarto)

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 KK1.CPMK-2.1 Perpenilaian

Gambar 5. Analisis Ketercapaian Sub KK1.CPMK-2.1 Per Teknik Penilaian

Capaian Sub-CPMK KK1.CPMK-2.2 Perpenilaian

Gambar 6. Analisis Ketercapaian Sub KK1.CPMK-2.2 Per Teknik Penilaian

Capaian Sub-CPMK KK1.CPMK-2.3 Perpenilaian

Gambar 7. Analisis Ketercapaian Sub KK1.CPMK-2.3 Per Teknik Penilaian

Capaian Sub-CPMK KK1.CPMK-3.1 Perpenilaian

Gambar 8. Analisis Ketercapaian Sub KK1.CPMK-3.1 Per Teknik Penilaian

Capaian Sub-CPMK KK1.CPMK-3.2 Perpenilaian

Gambar 9. Analisis Ketercapaian Sub KK1.CPMK-3.2 Per Teknik Penilaian

Capaian Sub-CPMK KK1.CPMK-3.3 Perpenilaian

Gambar 10. Analisis Ketercapaian Sub KK1.CPMK-3.3 Per Teknik Penilaian

Capaian Sub-CPMK KK1.CPMK-3.4 Perpenilaian

Gambar 11. Analisis Ketercapaian Sub KK1.CPMK-3.4 Per Teknik Penilaian

Capaian Sub-CPMK KK1.CPMK-4.1 Perpenilaian

Gambar 12. Analisis Ketercapaian Sub KK1.CPMK-4.1 Per Teknik Penilaian

Capaian Sub-CPMK KK1.CPMK-4.2 Perpenilaian

Gambar 13. Analisis Ketercapaian Sub KK1.CPMK-4.2 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-5.1 Perpenilaian

Gambar 14. Analisis Ketercapaian Sub KK7.CPMK-5.1 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-6.1 Perpenilaian

Gambar 15. Analisis Ketercapaian Sub KK7.CPMK-6.1 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-7.1 Perpenilaian

Gambar 16. Analisis Ketercapaian Sub KK7.CPMK-7.1 Per Teknik Penilaian

Capaian Sub-CPMK KK7.CPMK-7.2 Perpenilaian

Gambar 17. Analisis Ketercapaian Sub KK7.CPMK-7.2 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)