Document

PORTOFOLIO MATA KULIAH

Nama Mata Kuliah : Struktur Data dan Algoritma
Kode Mata Kuliah : IKL6441
Tim Dosen :
  1. 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 : 22 mahasiswa

Program Studi INFORMATIKA

Fakultas TEKNOLOGI INDUSTRI

Universitas Trisakti

Aug 2024

PORTOFOLIO MATA KULIAH

NAMA MATA KULIAH : Struktur Data dan Algoritma
KODE MATA KULIAH : IKL6441
KELAS : TIF-01
SEMESTER : Genap 2023/2024 (R)
DOSEN PENGAMPU : 2554 Anung Barlianto Ariwibowo, M.Kom.
NAMA DOSEN/TIM DOSEN :
  1. 2554 Anung Barlianto Ariwibowo, M.Kom.
NAMA KOORDINATOR MATA KULIAH : 2554 Anung Barlianto Ariwibowo, M.Kom.

1. HALAMAN PENGESAHAN PORTOFOLIO

PORTOFOLIO MATA KULIAH
STRUKTUR DATA DAN ALGORITMA
Tahun Akademik: Genap 2023/2024 (R)
Program Studi INFORMATIKA
Fakultas TEKNOLOGI INDUSTRI
Kode:
IKL6441 		Bobot (sks):
4.00 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 2641 Binti Solihah, S.T., M.Kom.

DAFTAR ISI

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

2. CAPAIAN PEMBELAJARAN PROGRAM STUDI

Tabel 1. Capaian Pembelajaran Lulusan (CPL) Program Studi
KODE DESKRIPSI CPL
S.1 Mahasiswa mampu menunjukkan sikap Tri Krama Universitas Trisakti: Takwa Tekun Terampil, Asah Asih Asuh, Satria, Setia Sportif dan berjiwa wirausaha (S.a)
S.2 Berkontribusi dalam peningkatan mutu kehidupan bermasyarakat, berbangsa, dan bernegara berdasarkan Pancasila (S.b)
P.1 Mahasiswa mampu menjelaskan cara kerja sistem komputer dan menerapkan/menggunakan berbagai algoritma/metode untuk memecahkan masalah pada suatu industri. (P.a)
P.2 Mahasiswa mampu menjelaskan konsep teoritis bidang pengetahuan Ilmu Komputer/Informatika dalam mendesain dan mensimulasikan aplikasi teknologi multi-platform yang relevan dengan kebutuhan industri dan masyarakat. (P.b)
KU.1 Mahasiswa mampu menganalisis persoalan komputasi kompleks untuk mengidentifikasi solusi pengelolaan proyek teknologi bidang informatika/ilmu komputer dengan mempertimbangkan wawasan perkembangan ilmu transdisiplin. (KU.a)
KU.2 Mahasiswa mampu berpikir logis, kritis serta sistematis dalam memanfaatkan ilmu pengetahuan informatika/ ilmu komputer untuk menyelesaikan masalah nyata. (KU.b)
KU.3 Mahasiswa mampu belajar mandiri sepanjang hayat, kreatif inovatif, berkomunikasi, bekerja sama, dan berperan secara efektif sebagai anggota atau pemimpin tim sesuai bidang ilmu dalam berbagai konteks profesional. (KU.c)
KK.1 Mahasiswa mampu mengimplementasi kebutuhan komputasi dengan mempertimbangkan berbagai metode/algoritma yang sesuai (KK.a)
KK.2 Mahasiswa mampu menganalisis, merancang, membuat dan mengevaluasi user interface dan aplikasi interaktif dengan mempertimbangkan kebutuhan pengguna dan perkembangan ilmu transdisiplin (KK.b)
KK.3 Mahasiswa mampu mendesain, mengimplementasi dan mengevaluasi solusi berbasis komputasi multi-platform yang memenuhi kebutuhan-kebutuhan industri (KK.c)
KK.4 Mahasiswa mampu memecahkan masalah di dunia industri dengan pendekatan sistem cerdas menggunakan algoritma kompleks (KK.d)
Tabel 2. Capaian Pembelajaran Lulusan yang Dibebankan pada Mata Kuliah
KODE DESKRIPSI CPL
KU.2 Mahasiswa mampu berpikir logis, kritis serta sistematis dalam memanfaatkan ilmu pengetahuan informatika/ ilmu komputer untuk menyelesaikan masalah nyata. (KU.b)
KK.3 Mahasiswa mampu mendesain, mengimplementasi dan mengevaluasi solusi berbasis komputasi multi-platform yang memenuhi kebutuhan-kebutuhan industri (KK.c)
P.1 Mahasiswa mampu menjelaskan cara kerja sistem komputer dan menerapkan/menggunakan berbagai algoritma/metode untuk memecahkan masalah pada suatu industri. (P.a)
Tabel 3. Pemetaan Keterkaitan Capaian Pembelajaran Mata Kuliah dengan CPL
KODE CPL KODE CPMK DESKRIPSI CPMK
P.1 P1.CPMK-1 Mahasiwa mampu menjelaskan kompeksitas waktu dan ruang dari suatu algoritma
KU.2 KU2.CPMK-2 Mahasiwa mampu menjelaskan dan menerapkan algoritma sorting tercepat
KU.2 KU2.CPMK-3 Mahasiwa mampu menjelaskan dan menerapkan struktur data pohon
KU.2 KU2.CPMK-4 Mahasiwa mampu menjelaskan dan menerapkan struktur data linear
KK.3 KK3.CPMK-5 Mahasiwa mampu menjelaskan dan menerapkan struktur data graph
Tabel 4. Sub Capaian Pembelajaran Mata Kuliah
KODE CPL KODE CPMK DESKRIPSI Sub CPMK
P.1 P1.CPMK-1
P1.CPMK-1.1 Mahasiswa mampu menjelaskan notasi kompleksitas Big-O
KU.2 KU2.CPMK-2
KU2.CPMK-2.1 Mahasiswa mampu menjelaskan dan menerapkan algoritme sorting Mergesort dan Quicksort
KU.2 KU2.CPMK-3
KU2.CPMK-3.1 Mahasiswa mampu menerapkan struktur data binary search tree
KU2.CPMK-3.2 Mahasiswa mampu menerapkan struktur data pohon dengan tinggi seimbang-AVL
KU2.CPMK-3.3 Mahasiswa mampu menerapkan struktur data binary tree
KU.2 KU2.CPMK-4
KU2.CPMK-4.1 Mahasiswa mampu menjelaskan representasi struktur array dan link dalam memori
KU2.CPMK-4.2 Mahasiswa mampu menerapkan struktur data Stack dalam bahasa python
KU2.CPMK-4.3 Mahasiswa mampu menerapkan struktur data Queue dalam bahasa python
KU2.CPMK-4.4 Mahasiswa mampu menerapkan struktur data DeQueue dalam bahasa python
KU2.CPMK-4.5 Mahasiswa mampu menerapkan struktur linked list dalam bahasa python
KU2.CPMK-4.6 Mahasiswa mampu menerapkan struktur data hashing dalam bahasa python
KK.3 KK3.CPMK-5
KK3.CPMK-5.1 Mahasiswa mampu menerapkan struktur data graph dalam representasi adjecency matriks dan list
KK3.CPMK-5.2 Mahasiswa mampu menerapkan penelusuran DFS dan BFS pada sebuah graph

3. RENCANA PEMBELAJARAN SEMESTER (RPS)

3.1 Muatan RPS

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

RENCANA PEMBELAJARAN SEMESTER		 Kode : DU1.2.4-KUR-04.RPS/IKL6441

Program Studi : INFORMATIKA Semester : Genap 2023/2024 (R);Jenis Mata Kuliah : Wajib     Kode Mata Kuliah : IKL6441     SKS : 4.00
Mata Kuliah : Struktur Data dan Algoritma Dosen :
  1. 2554 Anung Barlianto Ariwibowo, M.Kom.
MK Prasyarat :
  1. IKL6309 Algoritma dan Pemrograman
Sesi Ke KAD Bahan Kajian Metoda Pembelajaran Waktu Belajar (Menit) Pengalaman Belajar Mahasiswa Referensi Kriteria Penilaian (Indikator)
1
  1. Mahasiswa mampu menjelaskan notasi kompleksitas Big-O
 Overview
Sruktur Data, Tipe Data Abstrak
Pengenalan Analisis kinerja Algoritma

  • Tutorial
  • Diskusi
 200.00 Memahami konsep struktur data, tipe data abstrak, dan analiss kinerja algoritma
  • Ujian Tengah Semester - 2.50 %
2
  1. Mahasiswa mampu menjelaskan notasi kompleksitas Big-O
 Pengenalan Analisis kinerja Algoritma
- Menghitung running time
- Notasi Big-O

  • Tutorial
  • Diskusi
 200.00 Menghitung running time dan kompleksitas sebuah algortima
  • Ujian Tengah Semester - 2.50 %
  • Tugas - 5.00 %
3
  1. Mahasiswa mampu menjelaskan representasi struktur array dan link dalam memori
 Struktur Array:
- Referential Array
- Compact Array
Struktur Linked
  • Tutorial
  • Diskusi
 200.00 Memahami representasi struktur array dan linked di memory
  • Ujian Tengah Semester - 5.00 %
  • Tugas - 5.00 %
4
  1. Mahasiswa mampu menerapkan struktur data Stack dalam bahasa python
 Tipe Data Abstrak STACK
  • Tutorial
  • Diskusi
 200.00 Menerapkan tipe data abstrak stack
  • Ujian Tengah Semester - 5.00 %
  • Tugas - 5.00 %
5
  1. Mahasiswa mampu menerapkan struktur data Queue dalam bahasa python
 Tipe Data Abstrak QUEUE
  • Tutorial
  • Diskusi
 200.00 Menerapkan tipe data abstrak QUEUE
  • Ujian Tengah Semester - 5.00 %
  • Tugas - 5.00 %
6
  1. Mahasiswa mampu menerapkan struktur data DeQueue dalam bahasa python
 Tipe Data Abstrak Dequeue
  • Tutorial
  • Diskusi
 200.00 Menerapkan Tipe Data Abstrak Dequeue
  • Ujian Tengah Semester - 5.00 %
7
  1. Mahasiswa mampu menjelaskan notasi kompleksitas Big-O
  2. Mahasiswa mampu menerapkan struktur linked list dalam bahasa python
  3. Mahasiswa mampu menerapkan struktur data DeQueue dalam bahasa python
  4. Mahasiswa mampu menerapkan struktur data Queue dalam bahasa python
  5. Mahasiswa mampu menerapkan struktur data Stack dalam bahasa python
  6. Mahasiswa mampu menjelaskan representasi struktur array dan link dalam memori
 Review dan pembahasan soal
200.00 Evaluasi diri
8
  1. Mahasiswa mampu menerapkan struktur linked list dalam bahasa python
 Struktur Linked List:
- Single Linked List
- Double Linked List
- Circular Linked List
  • Tutorial
  • Diskusi
 200.00 Menerapkan struktur linked list
  • Ujian Akhir Semester - 2.50 %
  • Tugas - 5.00 %
9
  1. Mahasiswa mampu menerapkan struktur data binary tree
 Struktur Binary Tree:
- Terminologi pada tree
- Representasi NodeTree
- Traversal pada tree
- Ekspresi aritmetik (infix, prefix dan postfix)
  • Tutorial
  • Diskusi
 200.00 Menerapkan Struktur Binary Tree
  • Ujian Akhir Semester - 2.50 %
10
  1. Mahasiswa mampu menerapkan struktur data binary search tree
 Struktur Binary Search Tree
- Operasi Insert
- Operasi Delete
  • Tutorial
  • Diskusi
 200.00 Menerapkan Struktur Binary Search Tree
  • Ujian Akhir Semester - 4.00 %
  • Tugas - 5.00 %
11
  1. Mahasiswa mampu menerapkan struktur data pohon dengan tinggi seimbang-AVL
 AVL Tree
  • Tutorial
  • Diskusi
 200.00 Mensimulasikan proses rotasi pada AVL Tree
  • Ujian Akhir Semester - 4.00 %
  • Tugas - 5.00 %
12
  1. Mahasiswa mampu menerapkan struktur data hashing dalam bahasa python
 Hashing
  • Tutorial
  • Diskusi
 200.00 Menerapkan Hashing
  • Ujian Akhir Semester - 4.00 %
  • Tugas - 5.00 %
13
  1. Mahasiswa mampu menerapkan penelusuran DFS dan BFS pada sebuah graph
  2. Mahasiswa mampu menerapkan struktur data graph dalam representasi adjecency matriks dan list
 Graph
  • Tutorial
  • Diskusi
 200.00 Menerapkan Graph
  • Ujian Akhir Semester - 4.00 %
  • Tugas - 5.00 %
14
  1. Mahasiswa mampu menjelaskan dan menerapkan algoritme sorting Mergesort dan Quicksort
 Sorting
  • Tutorial
  • Diskusi
 200.00 Menerapkan algoritma Mergesort dan Quicksort
  • Ujian Akhir Semester - 4.00 %
  • Tugas - 5.00 %

3.2 Sosialisasi RPS

Tabel 6. Berita Acara Sosialisasi RPS
PROGRAM STUDI INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS TRISAKTI
Perkuliahan Pertama Dosen Menyampaikan
Mata Kuliah/SKS Nama Dosen Hari Tanggal
Struktur Data dan Algoritma 2554 Anung Barlianto Ariwibowo, M.Kom. ; Tuesday 10:10:00-12:40:00 Status
Tidak ada perekaman sosialiasi RPS di Kelas
Diketahui Program Studi Dosen Mata Kuliah Mahasiswa
2641 Binti Solihah, S.T., 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
HEIGHT P.1 P1.CPMK-1 P1.CPMK-1.1 Minggu ke-1 Assessment: Ujian Tengah Semester (2.50%)
Minggu ke-2 Assessment: Tugas (5.00%)
Minggu ke-2 Assessment: Ujian Tengah Semester (2.50%)
HEIGHT KU.2 KU2.CPMK-2 KU2.CPMK-2.1 Minggu ke-14 Assessment: Tugas (5.00%)
Minggu ke-14 Assessment: Ujian Akhir Semester (4.00%)
HEIGHT KU.2 KU2.CPMK-3 KU2.CPMK-3.1 Minggu ke-10 Assessment: Tugas (5.00%)
Minggu ke-10 Assessment: Ujian Akhir Semester (4.00%)
HEIGHT KU.2 KU2.CPMK-3 KU2.CPMK-3.2 Minggu ke-11 Assessment: Tugas (5.00%)
Minggu ke-11 Assessment: Ujian Akhir Semester (4.00%)
HEIGHT KU.2 KU2.CPMK-3 KU2.CPMK-3.3 Minggu ke-9 Assessment: Ujian Akhir Semester (2.50%)
HEIGHT KU.2 KU2.CPMK-4 KU2.CPMK-4.1 Minggu ke-3 Assessment: Tugas (5.00%)
Minggu ke-3 Assessment: Ujian Tengah Semester (5.00%)
HEIGHT KU.2 KU2.CPMK-4 KU2.CPMK-4.2 Minggu ke-4 Assessment: Tugas (5.00%)
Minggu ke-4 Assessment: Ujian Tengah Semester (5.00%)
HEIGHT KU.2 KU2.CPMK-4 KU2.CPMK-4.3 Minggu ke-5 Assessment: Tugas (5.00%)
Minggu ke-5 Assessment: Ujian Tengah Semester (5.00%)
HEIGHT KU.2 KU2.CPMK-4 KU2.CPMK-4.4 Minggu ke-6 Assessment: Ujian Tengah Semester (5.00%)
HEIGHT KU.2 KU2.CPMK-4 KU2.CPMK-4.5 Minggu ke-8 Assessment: Tugas (5.00%)
Minggu ke-8 Assessment: Ujian Akhir Semester (2.50%)
HEIGHT KU.2 KU2.CPMK-4 KU2.CPMK-4.6 Minggu ke-12 Assessment: Tugas (5.00%)
Minggu ke-12 Assessment: Ujian Akhir Semester (4.00%)
LOW KK.3 KK3.CPMK-5 KK3.CPMK-5.1 Minggu ke-13 Assessment: Tugas (2.50%)
Minggu ke-13 Assessment: Ujian Akhir Semester (2.00%)
LOW KK.3 KK3.CPMK-5 KK3.CPMK-5.2 Minggu ke-13 Assessment: Tugas (2.50%)
Minggu ke-13 Assessment: Ujian Akhir Semester (2.00%)
Tabel 8. Rincian Bobot Penilain UTS dan Sesi Pertemuan
UTS
Materi Sesi M1 M2 M3 M4 M5 M6 M7 TOTAL
CPL CPMK Sub CPMK #A1 #A2 #A3 #A4 #A5 #A6 #A7
P.1 P1.CPMK-1 P1.CPMK-1.1 2.50%
2.50%
 5%
KU.2 KU2.CPMK-4 KU2.CPMK-4.1 5.00%
 5%
KU.2 KU2.CPMK-4 KU2.CPMK-4.2 5.00%
 5%
KU.2 KU2.CPMK-4 KU2.CPMK-4.3 5.00%
 5%
KU.2 KU2.CPMK-4 KU2.CPMK-4.4 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
KU.2 KU2.CPMK-2 KU2.CPMK-2.1 4.00%
 4%
KU.2 KU2.CPMK-3 KU2.CPMK-3.1 4.00%
 4%
KU.2 KU2.CPMK-3 KU2.CPMK-3.2 4.00%
 4%
KU.2 KU2.CPMK-3 KU2.CPMK-3.3 2.50%
 2.5%
KU.2 KU2.CPMK-4 KU2.CPMK-4.5 2.50%
 2.5%
KU.2 KU2.CPMK-4 KU2.CPMK-4.6 4.00%
 4%
KK.3 KK3.CPMK-5 KK3.CPMK-5.1 2.00%
 2%
KK.3 KK3.CPMK-5 KK3.CPMK-5.2 2.00%
 2%
TOTAL 25%
Tabel 10. Rincian Bobot Penilain Laporan Praktikum dan Sesi Pertemuan
PRAKTIKUM
Materi Sesi M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12 M13 M14 TOTAL
CPL CPMK Sub CPMK #A1 #A2 #A3 #A4 #A5 #A6 #A7 #A8 #A9 #A10 #A11 #A12 #A13 #A14
TOTAL 0%
Tabel 11. Rincian Bobot Penilain Tugas dan Sesi Pertemuan
TUGAS
Materi Sesi M1 M2 M3 M4 M5 M6 M7 M8 M9 M10 M11 M12 M13 M14 TOTAL
CPL CPMK Sub CPMK #A1 #A2 #A3 #A4 #A5 #A6 #A7 #A8 #A9 #A10 #A11 #A12 #A13 #A14
P.1 P1.CPMK-1 P1.CPMK-1.1 5.00%
 5%
KU.2 KU2.CPMK-2 KU2.CPMK-2.1 5.00%
 5%
KU.2 KU2.CPMK-3 KU2.CPMK-3.1 5.00%
 5%
KU.2 KU2.CPMK-3 KU2.CPMK-3.2 5.00%
 5%
KU.2 KU2.CPMK-4 KU2.CPMK-4.1 5.00%
 5%
KU.2 KU2.CPMK-4 KU2.CPMK-4.2 5.00%
 5%
KU.2 KU2.CPMK-4 KU2.CPMK-4.3 5.00%
 5%
KU.2 KU2.CPMK-4 KU2.CPMK-4.5 5.00%
 5%
KU.2 KU2.CPMK-4 KU2.CPMK-4.6 5.00%
 5%
KK.3 KK3.CPMK-5 KK3.CPMK-5.1 2.50%
 2.5%
KK.3 KK3.CPMK-5 KK3.CPMK-5.2 2.50%
 2.5%
TOTAL 50%
Tabel 12. Pemetaan Rencana Penilaian Setiap Instrument Penilaian
Materi Sesi Minggu Ke - TOTAL
M1 M2 M14 M10 M11 M9 M3 M4 M5 M6 M8 M12 M13
Komponen UTS TG UTS TG UAS TG UAS TG UAS UAS TG UTS TG UTS TG UTS UTS TG UAS TG UAS TG UAS
CPL CPMK Sub CPMK A1A2A3A4A5A6A7A8A9A10A11A12A13A14A15A16A17A18A19A20A21A22A23 Bobot
P.1 P1.CPMK-1 P1.CPMK-1.1 2.50%5.00%2.50% 10%
KU.2 KU2.CPMK-2 KU2.CPMK-2.1 5.00%4.00% 9%
KU.2 KU2.CPMK-3 KU2.CPMK-3.1 5.00%4.00% 9%
KU.2 KU2.CPMK-3 KU2.CPMK-3.2 5.00%4.00% 9%
KU.2 KU2.CPMK-3 KU2.CPMK-3.3 2.50% 2.5%
KU.2 KU2.CPMK-4 KU2.CPMK-4.1 5.00%5.00% 10%
KU.2 KU2.CPMK-4 KU2.CPMK-4.2 5.00%5.00% 10%
KU.2 KU2.CPMK-4 KU2.CPMK-4.3 5.00%5.00% 10%
KU.2 KU2.CPMK-4 KU2.CPMK-4.4 5.00% 5%
KU.2 KU2.CPMK-4 KU2.CPMK-4.5 5.00%2.50% 7.5%
KU.2 KU2.CPMK-4 KU2.CPMK-4.6 5.00%4.00% 9%
KK.3 KK3.CPMK-5 KK3.CPMK-5.1 2.50%2.00% 4.5%
KK.3 KK3.CPMK-5 KK3.CPMK-5.2 2.50%2.00% 4.5%
TOTAL 2.5 5 2.5 5 4 5 4 5 4 2.5 5 5 5 5 5 5 5 5 2.5 5 4 5 4 100
Catatan : total presentase semua instrument dan total seluruh sesi harus sama dengan 100%
Tabel 13. Rencana Penilaian dan Instrument Penilaian
CPL CMPK Sub CPMK Instrument
P.1 P1.CPMK-1 P1.CPMK-1.1 UTS TG UTS
KU.2 KU2.CPMK-2 KU2.CPMK-2.1 TG UAS
KU.2 KU2.CPMK-3 KU2.CPMK-3.1 TG UAS
KU.2 KU2.CPMK-3 KU2.CPMK-3.2 TG UAS
KU.2 KU2.CPMK-3 KU2.CPMK-3.3 UAS
KU.2 KU2.CPMK-4 KU2.CPMK-4.1 TG UTS
KU.2 KU2.CPMK-4 KU2.CPMK-4.2 TG UTS
KU.2 KU2.CPMK-4 KU2.CPMK-4.3 TG UTS
KU.2 KU2.CPMK-4 KU2.CPMK-4.4 UTS
KU.2 KU2.CPMK-4 KU2.CPMK-4.5 TG UAS
KU.2 KU2.CPMK-4 KU2.CPMK-4.6 TG UAS
KK.3 KK3.CPMK-5 KK3.CPMK-5.1 TG UAS
KK.3 KK3.CPMK-5 KK3.CPMK-5.2 TG 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
P.1 P1.CPMK-1 P1.CPMK-1.1Mahasiswa mampu menjelaskan notasi kompleksitas Big-O
Indikator Kinerja: Notasi kompleksitas Big-O dapat dijelaskan dengan tepat
Performance Indicator: The Big-O complexity notation can be explained precisely		 Rubrik Penilaian
Tidak ada rubrik penilaian
KU.2 KU2.CPMK-4 KU2.CPMK-4.1Mahasiswa mampu menjelaskan representasi struktur array dan link dalam memori
Indikator Kinerja: Representasi struktur array dan link dalam memori dapat dijelaskan dengan tepat
Performance Indicator: The representation of array structures and links in memory can be described precisely		 Rubrik Penilaian
Tidak ada rubrik penilaian
KU.2 KU2.CPMK-4 KU2.CPMK-4.2Mahasiswa mampu menerapkan struktur data Stack dalam bahasa python
Indikator Kinerja: Representasi struktur array dan link dalam memori dapat dijelaskan dengan tepat
Performance Indicator: The representation of array structures and links in memory can be described precisely		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data Stack dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The Stack data structure can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
KU.2 KU2.CPMK-4 KU2.CPMK-4.3Mahasiswa mampu menerapkan struktur data Queue dalam bahasa python
Indikator Kinerja: Representasi struktur array dan link dalam memori dapat dijelaskan dengan tepat
Performance Indicator: The representation of array structures and links in memory can be described precisely		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data Stack dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The Stack data structure can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data Queue dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The Queue data structure can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
KU.2 KU2.CPMK-4 KU2.CPMK-4.4Mahasiswa mampu menerapkan struktur data DeQueue dalam bahasa python
Indikator Kinerja: Representasi struktur array dan link dalam memori dapat dijelaskan dengan tepat
Performance Indicator: The representation of array structures and links in memory can be described precisely		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data Stack dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The Stack data structure can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data Queue dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The Queue data structure can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data Dequeue dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The Dequeue data structure can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Tabel 16. Rubrik Penilaian UAS
UAS
CPL CMPK Sub CPMK Rubrik / Rubric
KU.2 KU2.CPMK-2 KU2.CPMK-2.1Mahasiswa mampu menjelaskan dan menerapkan algoritme sorting Mergesort dan Quicksort
Indikator Kinerja: Algoritma sorting Mergesort dan Quicksort dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The Mergesort and Quicksort sorting algorithms can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
KU.2 KU2.CPMK-3 KU2.CPMK-3.1Mahasiswa mampu menerapkan struktur data binary search tree
Indikator Kinerja: Algoritma sorting Mergesort dan Quicksort dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The Mergesort and Quicksort sorting algorithms can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data binary search tree dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The binary search tree data structure can be implemented correctly in the Python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
KU.2 KU2.CPMK-3 KU2.CPMK-3.2Mahasiswa mampu menerapkan struktur data pohon dengan tinggi seimbang-AVL
Indikator Kinerja: Algoritma sorting Mergesort dan Quicksort dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The Mergesort and Quicksort sorting algorithms can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data binary search tree dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The binary search tree data structure can be implemented correctly in the Python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data pohon dengan tinggi seimbang-AVL dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The AVL-balanced height tree data structure can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
KU.2 KU2.CPMK-3 KU2.CPMK-3.3Mahasiswa mampu menerapkan struktur data binary tree
Indikator Kinerja: Algoritma sorting Mergesort dan Quicksort dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The Mergesort and Quicksort sorting algorithms can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data binary search tree dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The binary search tree data structure can be implemented correctly in the Python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data pohon dengan tinggi seimbang-AVL dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The AVL-balanced height tree data structure can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data binary tree dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The binary tree data structure can be implemented correctly in the Python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
KU.2 KU2.CPMK-4 KU2.CPMK-4.5Mahasiswa mampu menerapkan struktur linked list dalam bahasa python
Indikator Kinerja: Algoritma sorting Mergesort dan Quicksort dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The Mergesort and Quicksort sorting algorithms can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data binary search tree dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The binary search tree data structure can be implemented correctly in the Python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data pohon dengan tinggi seimbang-AVL dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The AVL-balanced height tree data structure can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data binary tree dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The binary tree data structure can be implemented correctly in the Python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur linked list dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The linked list structure can be implemented correctly in the Python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
KU.2 KU2.CPMK-4 KU2.CPMK-4.6Mahasiswa mampu menerapkan struktur data hashing dalam bahasa python
Indikator Kinerja: Algoritma sorting Mergesort dan Quicksort dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The Mergesort and Quicksort sorting algorithms can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data binary search tree dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The binary search tree data structure can be implemented correctly in the Python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data pohon dengan tinggi seimbang-AVL dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The AVL-balanced height tree data structure can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data binary tree dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The binary tree data structure can be implemented correctly in the Python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur linked list dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The linked list structure can be implemented correctly in the Python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data hashing dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The hashing data structure can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.3 KK3.CPMK-5 KK3.CPMK-5.1Mahasiswa mampu menerapkan struktur data graph dalam representasi adjecency matriks dan list
Indikator Kinerja: Algoritma sorting Mergesort dan Quicksort dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The Mergesort and Quicksort sorting algorithms can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data binary search tree dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The binary search tree data structure can be implemented correctly in the Python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data pohon dengan tinggi seimbang-AVL dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The AVL-balanced height tree data structure can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data binary tree dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The binary tree data structure can be implemented correctly in the Python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur linked list dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The linked list structure can be implemented correctly in the Python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data hashing dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The hashing data structure can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data graph dapat diterapkan dengan tepat kedalam representasi adjacency matriks dan list
Performance Indicator: The graph data structure can be applied appropriately to adjacency matrix and list representations		 Rubrik Penilaian
Tidak ada rubrik penilaian
KK.3 KK3.CPMK-5 KK3.CPMK-5.2Mahasiswa mampu menerapkan penelusuran DFS dan BFS pada sebuah graph
Indikator Kinerja: Algoritma sorting Mergesort dan Quicksort dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The Mergesort and Quicksort sorting algorithms can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data binary search tree dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The binary search tree data structure can be implemented correctly in the Python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data pohon dengan tinggi seimbang-AVL dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The AVL-balanced height tree data structure can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data binary tree dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The binary tree data structure can be implemented correctly in the Python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur linked list dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The linked list structure can be implemented correctly in the Python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data hashing dapat diterapkan dengan tepat dalam bahasa python
Performance Indicator: The hashing data structure can be implemented precisely in the python language		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Struktur data graph dapat diterapkan dengan tepat kedalam representasi adjacency matriks dan list
Performance Indicator: The graph data structure can be applied appropriately to adjacency matrix and list representations		 Rubrik Penilaian
Tidak ada rubrik penilaian
Indikator Kinerja: Penelusuran DFS dan BFS dapat diterapkan dengan tepat pada sebuah graph
Performance Indicator: DFS and BFS traversal can be applied precisely to a graph		 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 50.00
A- 1 4.55
B+ 3 13.64
B 4 18.18
B- 1 4.55
C+ 2 9.09
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
P1.CPMK-1.1
Mahasiswa mampu menjelaskan notasi kompleksitas Big-O 		9 11 2 0 100.00
KU2.CPMK-2.1
Mahasiswa mampu menjelaskan dan menerapkan algoritme sorting Mergesort dan Quicksort 		12 7 2 1 95.45
KU2.CPMK-3.1
Mahasiswa mampu menerapkan struktur data binary search tree 		12 7 2 1 95.45
KU2.CPMK-3.2
Mahasiswa mampu menerapkan struktur data pohon dengan tinggi seimbang-AVL 		12 7 2 1 95.45
KU2.CPMK-3.3
Mahasiswa mampu menerapkan struktur data binary tree 		11 5 5 1 95.45
KU2.CPMK-4.1
Mahasiswa mampu menjelaskan representasi struktur array dan link dalam memori 		9 11 2 0 100.00
KU2.CPMK-4.2
Mahasiswa mampu menerapkan struktur data Stack dalam bahasa python 		9 11 2 0 100.00
KU2.CPMK-4.3
Mahasiswa mampu menerapkan struktur data Queue dalam bahasa python 		9 11 2 0 100.00
KU2.CPMK-4.4
Mahasiswa mampu menerapkan struktur data DeQueue dalam bahasa python 		10 9 3 0 100.00
KU2.CPMK-4.5
Mahasiswa mampu menerapkan struktur linked list dalam bahasa python 		12 7 2 1 95.45
KU2.CPMK-4.6
Mahasiswa mampu menerapkan struktur data hashing dalam bahasa python 		12 7 2 1 95.45
KK3.CPMK-5.1
Mahasiswa mampu menerapkan struktur data graph dalam representasi adjecency matriks dan list 		12 7 2 1 95.45
KK3.CPMK-5.2
Mahasiswa mampu menerapkan penelusuran DFS dan BFS pada sebuah graph 		12 7 2 1 95.45
Capaian Sub-CPMK
Gambar 2. Grafik Distribusi Nilai Per Sub CPMK

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

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

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

Tabel 21. Analisis Ketercapaian Nilai Per Teknik Penilaian
Sub CPMK Sangat Baik Baik Cukup Kurang %
Ketercapaian
Mahasiswa mampu menjelaskan notasi kompleksitas Big-O
TG10
(45.45 %)		9
(40.91 %)		3
(13.64 %)		0100
(454.55 %)
UTS10
(45.45 %)		9
(40.91 %)		3
(13.64 %)		0100
(454.55 %)
Mahasiswa mampu menjelaskan dan menerapkan algoritme sorting Mergesort dan Quicksort
TG10
(45.45 %)		9
(40.91 %)		3
(13.64 %)		0100
(454.55 %)
UAS11
(50.00 %)		5
(22.73 %)		5
(22.73 %)		1
(4.55 %)		95.45
(433.86 %)
Mahasiswa mampu menerapkan struktur data binary search tree
TG10
(45.45 %)		9
(40.91 %)		3
(13.64 %)		0100
(454.55 %)
UAS11
(50.00 %)		5
(22.73 %)		5
(22.73 %)		1
(4.55 %)		95.45
(433.86 %)
Mahasiswa mampu menerapkan struktur data pohon dengan tinggi seimbang-AVL
TG10
(45.45 %)		9
(40.91 %)		3
(13.64 %)		0100
(454.55 %)
UAS11
(50.00 %)		5
(22.73 %)		5
(22.73 %)		1
(4.55 %)		95.45
(433.86 %)
Mahasiswa mampu menerapkan struktur data binary tree
UAS11
(50.00 %)		5
(22.73 %)		5
(22.73 %)		1
(4.55 %)		95.45
(433.86 %)
Mahasiswa mampu menjelaskan representasi struktur array dan link dalam memori
TG10
(45.45 %)		9
(40.91 %)		3
(13.64 %)		0100
(454.55 %)
UTS10
(45.45 %)		9
(40.91 %)		3
(13.64 %)		0100
(454.55 %)
Mahasiswa mampu menerapkan struktur data Stack dalam bahasa python
TG10
(45.45 %)		9
(40.91 %)		3
(13.64 %)		0100
(454.55 %)
UTS10
(45.45 %)		9
(40.91 %)		3
(13.64 %)		0100
(454.55 %)
Mahasiswa mampu menerapkan struktur data Queue dalam bahasa python
TG10
(45.45 %)		9
(40.91 %)		3
(13.64 %)		0100
(454.55 %)
UTS10
(45.45 %)		9
(40.91 %)		3
(13.64 %)		0100
(454.55 %)
Mahasiswa mampu menerapkan struktur data DeQueue dalam bahasa python
UTS10
(45.45 %)		9
(40.91 %)		3
(13.64 %)		0100
(454.55 %)
Mahasiswa mampu menerapkan struktur linked list dalam bahasa python
TG10
(45.45 %)		9
(40.91 %)		3
(13.64 %)		0100
(454.55 %)
UAS11
(50.00 %)		5
(22.73 %)		5
(22.73 %)		1
(4.55 %)		95.45
(433.86 %)
Mahasiswa mampu menerapkan struktur data hashing dalam bahasa python
TG10
(45.45 %)		9
(40.91 %)		3
(13.64 %)		0100
(454.55 %)
UAS11
(50.00 %)		5
(22.73 %)		5
(22.73 %)		1
(4.55 %)		95.45
(433.86 %)
Mahasiswa mampu menerapkan struktur data graph dalam representasi adjecency matriks dan list
TG10
(45.45 %)		9
(40.91 %)		3
(13.64 %)		0100
(454.55 %)
UAS11
(50.00 %)		5
(22.73 %)		5
(22.73 %)		1
(4.55 %)		95.45
(433.86 %)
Mahasiswa mampu menerapkan penelusuran DFS dan BFS pada sebuah graph
TG10
(45.45 %)		9
(40.91 %)		3
(13.64 %)		0100
(454.55 %)
UAS11
(50.00 %)		5
(22.73 %)		5
(22.73 %)		1
(4.55 %)		95.45
(433.86 %)

Capaian Sub-CPMK P1.CPMK-1.1 Perpenilaian
Gambar 4. Analisis Ketercapaian Sub P1.CPMK-1.1 Per Teknik Penilaian


Capaian Sub-CPMK KU2.CPMK-2.1 Perpenilaian
Gambar 5. Analisis Ketercapaian Sub KU2.CPMK-2.1 Per Teknik Penilaian


Capaian Sub-CPMK KU2.CPMK-3.1 Perpenilaian
Gambar 6. Analisis Ketercapaian Sub KU2.CPMK-3.1 Per Teknik Penilaian


Capaian Sub-CPMK KU2.CPMK-3.2 Perpenilaian
Gambar 7. Analisis Ketercapaian Sub KU2.CPMK-3.2 Per Teknik Penilaian


Capaian Sub-CPMK KU2.CPMK-3.3 Perpenilaian
Gambar 8. Analisis Ketercapaian Sub KU2.CPMK-3.3 Per Teknik Penilaian


Capaian Sub-CPMK KU2.CPMK-4.1 Perpenilaian
Gambar 9. Analisis Ketercapaian Sub KU2.CPMK-4.1 Per Teknik Penilaian


Capaian Sub-CPMK KU2.CPMK-4.2 Perpenilaian
Gambar 10. Analisis Ketercapaian Sub KU2.CPMK-4.2 Per Teknik Penilaian


Capaian Sub-CPMK KU2.CPMK-4.3 Perpenilaian
Gambar 11. Analisis Ketercapaian Sub KU2.CPMK-4.3 Per Teknik Penilaian


Capaian Sub-CPMK KU2.CPMK-4.4 Perpenilaian
Gambar 12. Analisis Ketercapaian Sub KU2.CPMK-4.4 Per Teknik Penilaian


Capaian Sub-CPMK KU2.CPMK-4.5 Perpenilaian
Gambar 13. Analisis Ketercapaian Sub KU2.CPMK-4.5 Per Teknik Penilaian


Capaian Sub-CPMK KU2.CPMK-4.6 Perpenilaian
Gambar 14. Analisis Ketercapaian Sub KU2.CPMK-4.6 Per Teknik Penilaian


Capaian Sub-CPMK KK3.CPMK-5.1 Perpenilaian
Gambar 15. Analisis Ketercapaian Sub KK3.CPMK-5.1 Per Teknik Penilaian


Capaian Sub-CPMK KK3.CPMK-5.2 Perpenilaian
Gambar 16. Analisis Ketercapaian Sub KK3.CPMK-5.2 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
P1.CPMK-1.1
Std Mark: 56.00 		KU2.CPMK-2.1
Std Mark: 56.00 		KU2.CPMK-3.1
Std Mark: 56.00 		KU2.CPMK-3.2
Std Mark: 56.00 		KU2.CPMK-3.3
Std Mark: 56.00 		KU2.CPMK-4.1
Std Mark: 56.00 		KU2.CPMK-4.2
Std Mark: 56.00 		KU2.CPMK-4.3
Std Mark: 56.00 		KU2.CPMK-4.4
Std Mark: 56.00 		KU2.CPMK-4.5
Std Mark: 56.00 		KU2.CPMK-4.6
Std Mark: 56.00 		KK3.CPMK-5.1
Std Mark: 56.00 		KK3.CPMK-5.2
Std Mark: 56.00
1 064002200040 ZOELFAN AKBAR HIDAYAT 66.0062.5662.5662.5667.0066.0066.0066.0073.0061.6762.5662.5662.56
2 064002300001 NOVAL SUSANTO 88.5087.0087.0087.0092.0088.5088.5088.5094.0086.0087.0087.0087.00
3 064002300002 REYHAN ARNAS 67.0072.6772.6772.6766.0067.0067.0067.0056.0074.0072.6772.6772.67
4 064002300003 JUNIARTO PRABOWO 74.5075.6775.6775.6769.0074.5074.5074.5068.0077.0075.6775.6775.67
5 064002300004 MICHAEL BRIANT 88.0084.0084.0084.0089.0088.0088.0088.0096.0083.0084.0084.0084.00
6 064002300005 FAIZ FIRDAUS PRIYANTO 79.0083.0083.0083.0083.0079.0079.0079.0075.0083.0083.0083.0083.00
7 064002300007 RASYID RIDHO MUHAMMAD NOOR RAFI 81.0082.7882.7882.7890.0081.0081.0081.0085.0081.3382.7882.7882.78
8 064002300011 MASLUBI DWI WIDODO 69.5073.3373.3373.3375.0069.5069.5069.5067.0073.0073.3373.3373.33
9 064002300013 ARIEL FEBRIO HADI 89.0083.7883.7883.7886.0089.0089.0089.0096.0083.3383.7883.7883.78
10 064002300019 LISNA HIDAYANTI 85.5086.4486.4486.4492.0085.5085.5085.5089.0085.3386.4486.4486.44
11 064002300021 ARIK DIAS PUTRA 77.0082.1182.1182.1186.0077.0077.0077.0075.0081.3382.1182.1182.11
12 064002300022 NUZURUL HAQI FADILLAH 75.0074.0074.0074.0069.0075.0075.0075.0072.0075.0074.0074.0074.00
13 064002300024 DAUD MARTHINUS PAUL JITMAU 74.0070.5670.5670.5660.0074.0074.0074.0069.0072.6770.5670.5670.56
14 064002300026 RANGGA ADITYA PRADANA 86.0086.4486.4486.4492.0086.0086.0086.0090.0085.3386.4486.4486.44
15 064002300027 MUHAMMAD HAKIM 74.5074.8974.8974.8971.0074.5074.5074.5071.0075.6774.8974.8974.89
16 064002300029 MUTIARA NOVIANTI RAMBE 84.0080.4480.4480.4476.0084.0084.0084.0084.0081.3380.4480.4480.44
17 064002300030 HAFIDZ RAMADHAN 84.0084.3384.3384.3391.0084.0084.0084.0089.0083.0084.3384.3384.33
18 064002300035 Muhammad Reza Sugiarto 72.0071.2271.2271.2264.0072.0072.0072.0067.0072.6771.2271.2271.22
19 064002300039 DAVE RYANO FIRDAUS MAGENTHA 78.5081.3381.3381.3383.0078.5078.5078.5077.0081.0081.3381.3381.33
20 064002300045 NALENDRA ZAIDAN AQILA ZULKIFLI 70.0055.5655.5655.5655.0070.0070.0070.0084.0055.6755.5655.5655.56
21 064002300046 MUHAMMAD AKMAL YAZID 70.5064.0064.0064.0064.0070.5070.5070.5077.0064.0064.0064.0064.00
22 064002300047 GWEN ALAINA MARELA 88.0080.4480.4480.4481.0088.0088.0088.0096.0080.3380.4480.4480.44

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, 11-08-2024
Dosen Mata Kuliah,




(2554 Anung Barlianto Ariwibowo, M.Kom.)