Universitas Negeri Surabaya
Fakultas Teknik
Program Studi S2 Pendidikan Teknologi Informasi

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Penambangan Data Pendidikan

8321503010

T=2

P=0

ECTS=4.48

2

28 Juli 2026

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Yeni Anistyasari


.......................................


RINA HARIMURTI

Model Pembelajaran

Project Based Learning

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-5

Menguasai teori bidang pendidikan teknologi informasi terutama yang mencakup learning analitics, learning adaptive, dan cyber security in education untuk meningkatkan efektivitas dan efisiensi pembelajaran di berbagai konteks pendidikan

PLO-8

Mengidentifikasi, menganalisis, dan memecahkan masalah kompleks dalam konteks pendidikan teknologi informasi menggunakan pendekatan yang kritis, logis, dan berbasis data

PLO-10

Merancang, mengembangkan, dan mengimplementasikan sistem pembelajaran yang memanfaatkan teknologi informasi secara efektif, inovatif, dan sesuai dengan kebutuhan pembelajaran adaptif dan analitis

PLO-11

Mengaplikasikan teknik learning analytics, adaptive learning, dan cybersecurity in education untuk menganalisis data pembelajaran, mengevaluasi efektivitas strategi pembelajaran, dan memberikan rekomendasi berbasis data untuk peningkatan proses pendidikan

Program Objectives (PO)

PO - 1

Menganalisis karakteristik permasalahan pendidikan serta menentukan pendekatan, algoritma, dan representasi data yang sesuai untuk penyelesaian menggunakan pembelajaran mesin.

PO - 2

Mengevaluasi kualitas data, teknik prapemrosesan, pemilihan fitur, serta metode evaluasi model pembelajaran mesin untuk memperoleh model yang valid dan andal pada konteks pendidikan.

PO - 3

Mengembangkan model pembelajaran mesin menggunakan Python dan Google Colab untuk menyelesaikan permasalahan pada learning analytics dan educational data mining.

PO - 4

Mengevaluasi kinerja berbagai algoritma pembelajaran mesin berdasarkan metrik evaluasi, interpretabilitas model, serta kesesuaian implementasinya pada berbagai kasus pendidikan.

PO - 5

Merancang solusi berbasis pembelajaran mesin yang inovatif untuk mendukung pengambilan keputusan, personalisasi pembelajaran, atau prediksi performa peserta didik dengan mempertimbangkan aspek etika dan keberlanjutan.

PO - 6

Menghasilkan proyek machine learning yang terdokumentasi secara ilmiah melalui implementasi, analisis hasil, interpretasi, dan penyusunan laporan teknis sesuai kaidah penelitian pada bidang Pendidikan Teknologi Informas

Matrik PLO-PO
 
POPLO-5PLO-8PLO-10PLO-11
PO-1 ✔  
PO-2   ✔
PO-3  ✔ 
PO-4✔   
PO-5  ✔ 
PO-6   ✔

Matrik PO pada Kemampuan akhir tiap tahapan belajar (Sub-PO)
 
PO Minggu Ke
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
PO-1✔
PO-2✔✔✔✔
PO-3✔✔✔
PO-4✔✔
PO-5✔✔✔✔
PO-6✔✔

Deskripsi Singkat Mata Kuliah

Mata kuliah Pembelajaran Mesin (Machine Learning) membekali mahasiswa dengan pemahaman konseptual, metodologis, dan keterampilan praktis dalam merancang, membangun, mengevaluasi, serta mengimplementasikan model pembelajaran mesin untuk menyelesaikan permasalahan di bidang pendidikan dan teknologi informasi. Materi mencakup dasar-dasar machine learning, proses pengolahan data (data preprocessing), supervised learning, unsupervised learning, evaluasi model, rekayasa fitur (feature engineering), optimasi model, serta pengenalan deep learning dan explainable artificial intelligence (XAI). Mahasiswa juga mempelajari penerapan machine learning pada learning analytics, educational data mining, sistem rekomendasi pembelajaran, prediksi capaian belajar, deteksi risiko mahasiswa, serta pengembangan sistem cerdas untuk mendukung pengambilan keputusan di bidang pendidikan. Perkuliahan dilaksanakan melalui pendekatan project-based learning, studi kasus, diskusi ilmiah, praktikum menggunakan bahasa pemrograman Python dan berbagai pustaka machine learning, serta analisis artikel penelitian terkini. Pada akhir perkuliahan, mahasiswa diharapkan mampu mengembangkan solusi berbasis machine learning yang valid, dapat dipertanggungjawabkan secara ilmiah, serta mempertimbangkan aspek etika, fairness, transparansi, keamanan data, dan keberlanjutan dalam implementasi kecerdasan buatan pada bidang Pendidikan Teknologi Informasi.

Pustaka

Utama :

  1. Géron, A. (2023). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd Edition)
  2. Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction.
  3. Mai, T. T., Crane, M., & Bezbradica, M. (2025). Educational Data Mining and Learning Analytics: A Machine-Generated Literature Overview. Springer Nature Switzerland.
  4. Anistyasari, Y., dkk. (2025). AI-Driven Competency Pattern Mining for Digital Literacy in Adaptive Learning Environments.
  5. Anistyasari, Y., dkk. (2025). Comparing AI and Human Assessment of Academic Writing Skills: A Kappa Analysis.
  6. Anistyasari, Y., dkk. (2025). The Effect of Integrated STEM Implementation on Digital Literacy Skills: A Regression Analysis.

Pendukung :

Dosen Pengampu

Dr. Ir. Subuh Isnur Haryudo, S.T., M.T.

Dr. Yeni Anistyasari, S.Pd., M.Kom.

Minggu Ke-

Kemampuan akhir tiap tahapan belajar
(Sub-PO)

Penilaian

Bantuk Pembelajaran,

Metode Pembelajaran,

Penugasan Mahasiswa,

 [ Estimasi Waktu]

Materi Pembelajaran

[ Pustaka ]

Bobot Penilaian (%)

Indikator

Kriteria & Bentuk

Luring (offline)

Daring (online)

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

1

Minggu ke 1

Menganalisis karakteristik permasalahan pendidikan yang dapat diselesaikan menggunakan pendekatan pembelajaran mesin.
  1. Ketepatan mengidentifikasi karakteristik permasalahan pendidikan.
  2. Ketepatan menganalisis kesesuaian pendekatan pembelajaran mesin terhadap studi kasus.
  3. Ketepatan memberikan argumentasi berdasarkan konsep machine learning.
 Kriteria:

Analisis dilakukan secara logis, berbasis teori, sesuai karakteristik data dan permasalahan pendidikan, serta didukung argumentasi yang tepat.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Kuliah interaktif mengenai konsep dasar pembelajaran mesin; diskusi studi kasus penerapan machine learning di bidang pendidikan; analisis artikel ilmiah; presentasi hasil diskusi kelompok.
 Kuliah interaktif mengenai konsep dasar pembelajaran mesin; diskusi studi kasus penerapan machine learning di bidang pendidikan; analisis artikel ilmiah; presentasi hasil diskusi kelompok.
 Materi: Pengantar Machine Learning, jenis-jenis pembelajaran mesin (supervised, unsupervised, reinforcement learning), alur pengembangan model (machine learning workflow), dan contoh penerapan machine learning.
Pustaka: Géron, A. (2023). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd Edition)
Materi: Konsep dasar pembelajaran mesin, representasi data, formulasi masalah machine learning, hubungan data, model, dan inferensi dalam pembelajaran mesin.
Pustaka: Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction.
Materi: Penerapan pembelajaran mesin pada bidang pendidikan, Educational Data Mining, Learning Analytics, karakteristik permasalahan pendidikan yang dapat diselesaikan menggunakan machine learning, serta studi kasus implementasi pada analisis data pembelajaran.
Pustaka: Mai, T. T., Crane, M., & Bezbradica, M. (2025). Educational Data Mining and Learning Analytics: A Machine-Generated Literature Overview. Springer Nature Switzerland.		 5%

2

Minggu ke 2

Mengevaluasi kualitas dataset pendidikan berdasarkan karakteristik dan permasalahan analisis.

Kriteria:

Evaluasi sesuai konsep kualitas data


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Ceramah interaktif, praktikum Python, diskusi
 Ceramah interaktif, praktikum Python, diskusi
 Materi: Working with data.
Pustaka: Géron, A. (2023). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd Edition)
Materi: Data uncertainty
Pustaka: Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction.
Materi: Data quality pada EDM
Pustaka: Mai, T. T., Crane, M., & Bezbradica, M. (2025). Educational Data Mining and Learning Analytics: A Machine-Generated Literature Overview. Springer Nature Switzerland.		 5%

3

Minggu ke 3

Mengevaluasi hasil prapemrosesan data untuk meningkatkan kualitas dataset.

Kriteria:

Hasil preprocessing meningkatkan kualitas data


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Praktikum Google Colab, demonstrasi, latihan
 Praktikum Google Colab, demonstrasi, latihan
 Materi: Missing values, scaling, encoding
Pustaka: Géron, A. (2023). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd Edition)
Materi: Feature representation.
Pustaka: Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction.		 5%

4

Minggu ke 4

Mengevaluasi hasil prapemrosesan data untuk meningkatkan kualitas dataset.

Ketepatan melakukan preprocessing

 Kriteria:

Hasil preprocessing meningkatkan kualitas data


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Praktikum Google Colab, demonstrasi, latihan
 Praktikum Google Colab, demonstrasi, latihan
 Materi: Missing values, scaling, encoding
Pustaka: Géron, A. (2023). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd Edition)
Materi: Feature representation.
Pustaka: Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction.		 5%

5

Minggu ke 5

Mengevaluasi teknik pemilihan fitur berdasarkan karakteristik dataset pendidikan.

Kriteria:

Pemilihan fitur sesuai tujuan analisis


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Praktikum, diskusi artikel, presentasi
 Praktikum, diskusi artikel, presentasi
 Materi: Feature Engineering
Pustaka: Géron, A. (2023). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd Edition)
Materi: Feature selection.
Pustaka: Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction.		 5%

6

Minggu ke 6

Mengembangkan model klasifikasi menggunakan Python dan Google Colab.

Kriteria:

Model berjalan dan menghasilkan prediksi


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Praktikum Project-Based Learning
 Praktikum Project-Based Learning
 Materi: Classification
Pustaka: Géron, A. (2023). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd Edition)
Materi: Classification
Pustaka: Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction.		 5%

7

Minggu ke 7

Mengembangkan model klasifikasi menggunakan Python dan Google Colab.

Kriteria:

Model sesuai kasus dan menghasilkan prediksi


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Praktikum, mini project
 Praktikum, mini project
 Materi: Regression
Pustaka: Géron, A. (2023). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd Edition)
Materi: Regression
Pustaka: Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction.		 5%

8

Minggu ke 8

Mengembangkan model klasterisasi untuk analisis data pendidikan.

Ketepatan implementasi clustering

 Kriteria:

Cluster terbentuk dan dapat diinterpretasikan


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Praktikum Google Colab, diskusi
 Praktikum Google Colab, diskusi
 Materi: Clustering
Pustaka: Géron, A. (2023). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd Edition)
Materi: Student Clustering
Pustaka: Mai, T. T., Crane, M., & Bezbradica, M. (2025). Educational Data Mining and Learning Analytics: A Machine-Generated Literature Overview. Springer Nature Switzerland.		 5%

9

Minggu ke 9

Mengevaluasi performa model klasifikasi menggunakan metrik evaluasi.

Kriteria:

Interpretasi metrik sesuai teori


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Praktikum, diskusi hasil eksperimen
 Praktikum, diskusi hasil eksperimen
 Materi: Accuracy, Precision, Recall, F1-score, ROC-AUC.
Pustaka: Géron, A. (2023). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd Edition)		 5%

10

Minggu ke 10

Mengevaluasi interpretabilitas model pembelajaran mesin pada kasus pendidikan.

Ketepatan menginterpretasikan hasil model

 Kriteria:

Interpretasi logis dan berbasis data


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Studi kasus, presentasi, praktikum
 Studi kasus, presentasi, praktikum
 Materi: Model interpretation.
Pustaka: Géron, A. (2023). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd Edition)
Materi: Educational interpretation
Pustaka: Mai, T. T., Crane, M., & Bezbradica, M. (2025). Educational Data Mining and Learning Analytics: A Machine-Generated Literature Overview. Springer Nature Switzerland.		 5%

11

Minggu ke 11

Merancang solusi pembelajaran berbasis machine learning untuk learning analytics.

Kriteria:

Solusi inovatif dan sesuai kebutuhan


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Project-Based Learning, brainstorming
 Project-Based Learning, brainstorming
 Materi: Learning Analytics
Pustaka: Mai, T. T., Crane, M., & Bezbradica, M. (2025). Educational Data Mining and Learning Analytics: A Machine-Generated Literature Overview. Springer Nature Switzerland.
Materi: AI-Driven Competency Pattern Mining
Pustaka: Anistyasari, Y., dkk. (2025). AI-Driven Competency Pattern Mining for Digital Literacy in Adaptive Learning Environments.		 5%

12

Minggu ke 12

Merancang solusi prediksi performa peserta didik menggunakan machine learning.

Kriteria:

Model sesuai konteks pendidikan


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Praktikum, diskusi proyek
 Praktikum, diskusi proyek
 Materi: Student Performance Prediction
Pustaka: Mai, T. T., Crane, M., & Bezbradica, M. (2025). Educational Data Mining and Learning Analytics: A Machine-Generated Literature Overview. Springer Nature Switzerland.
Materi: Regression Analysis
Pustaka: Anistyasari, Y., dkk. (2025). The Effect of Integrated STEM Implementation on Digital Literacy Skills: A Regression Analysis.		 5%

13

Minggu ke 13

Merancang solusi pembelajaran adaptif berbasis machine learning dengan mempertimbangkan aspek etika.

Ketepatan merancang solusi dan mempertimbangkan etika

 Kriteria:

Solusi layak diterapkan dan memperhatikan etika AI


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Diskusi, presentasi, studi kasus
 Diskusi, presentasi, studi kasus
 Materi: Adaptive Learning
Pustaka: Mai, T. T., Crane, M., & Bezbradica, M. (2025). Educational Data Mining and Learning Analytics: A Machine-Generated Literature Overview. Springer Nature Switzerland.
Materi: AI Assessment.
Pustaka: Anistyasari, Y., dkk. (2025). Comparing AI and Human Assessment of Academic Writing Skills: A Kappa Analysis.		 0%

14

Minggu ke 14

Menghasilkan implementasi proyek machine learning pada bidang Pendidikan Teknologi Informasi.

Keberhasilan implementasi proyek

 Kriteria:

Proyek berfungsi sesuai tujuan


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Project-Based Learning, bimbingan proyek
 Project-Based Learning, bimbingan proyek
 Materi: Integrasi pipeline machine learning menggunakan Python dan Google Colab.
Pustaka: Géron, A. (2023). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd Edition)
Materi: Integrasi pipeline machine learning menggunakan Python dan Google Colab.
Pustaka: Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction.
Materi: Integrasi pipeline machine learning menggunakan Python dan Google Colab.
Pustaka: Mai, T. T., Crane, M., & Bezbradica, M. (2025). Educational Data Mining and Learning Analytics: A Machine-Generated Literature Overview. Springer Nature Switzerland.
Materi: Integrasi pipeline machine learning menggunakan Python dan Google Colab.
Pustaka: Anistyasari, Y., dkk. (2025). AI-Driven Competency Pattern Mining for Digital Literacy in Adaptive Learning Environments.
Materi: Integrasi pipeline machine learning menggunakan Python dan Google Colab.
Pustaka: Anistyasari, Y., dkk. (2025). The Effect of Integrated STEM Implementation on Digital Literacy Skills: A Regression Analysis.
Materi: Integrasi pipeline machine learning menggunakan Python dan Google Colab.
Pustaka: Anistyasari, Y., dkk. (2025). The Effect of Integrated STEM Implementation on Digital Literacy Skills: A Regression Analysis.		 5%

15

Minggu ke 15

Menghasilkan implementasi proyek machine learning pada bidang Pendidikan Teknologi Informasi.

Keberhasilan implementasi proyek

 Kriteria:

Proyek berfungsi sesuai tujuan


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Project-Based Learning, bimbingan proyek
 Project-Based Learning, bimbingan proyek
 Materi: Integrasi pipeline machine learning menggunakan Python dan Google Colab.
Pustaka: Géron, A. (2023). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd Edition)
Materi: Integrasi pipeline machine learning menggunakan Python dan Google Colab.
Pustaka: Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction.
Materi: Integrasi pipeline machine learning menggunakan Python dan Google Colab.
Pustaka: Mai, T. T., Crane, M., & Bezbradica, M. (2025). Educational Data Mining and Learning Analytics: A Machine-Generated Literature Overview. Springer Nature Switzerland.
Materi: Integrasi pipeline machine learning menggunakan Python dan Google Colab.
Pustaka: Anistyasari, Y., dkk. (2025). AI-Driven Competency Pattern Mining for Digital Literacy in Adaptive Learning Environments.
Materi: Integrasi pipeline machine learning menggunakan Python dan Google Colab.
Pustaka: Anistyasari, Y., dkk. (2025). The Effect of Integrated STEM Implementation on Digital Literacy Skills: A Regression Analysis.
Materi: Integrasi pipeline machine learning menggunakan Python dan Google Colab.
Pustaka: Anistyasari, Y., dkk. (2025). The Effect of Integrated STEM Implementation on Digital Literacy Skills: A Regression Analysis.		 15%

16

Minggu ke 16

Menghasilkan implementasi proyek machine learning pada bidang Pendidikan Teknologi Informasi.

Keberhasilan implementasi proyek

 Kriteria:

Proyek berfungsi sesuai tujuan


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Project-Based Learning, bimbingan proyek
 Project-Based Learning, bimbingan proyek
 Materi: Integrasi pipeline machine learning menggunakan Python dan Google Colab.
Pustaka: Géron, A. (2023). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd Edition)
Materi: Integrasi pipeline machine learning menggunakan Python dan Google Colab.
Pustaka: Murphy, K. P. (2022). Probabilistic Machine Learning: An Introduction.
Materi: Integrasi pipeline machine learning menggunakan Python dan Google Colab.
Pustaka: Mai, T. T., Crane, M., & Bezbradica, M. (2025). Educational Data Mining and Learning Analytics: A Machine-Generated Literature Overview. Springer Nature Switzerland.
Materi: Integrasi pipeline machine learning menggunakan Python dan Google Colab.
Pustaka: Anistyasari, Y., dkk. (2025). AI-Driven Competency Pattern Mining for Digital Literacy in Adaptive Learning Environments.
Materi: Integrasi pipeline machine learning menggunakan Python dan Google Colab.
Pustaka: Anistyasari, Y., dkk. (2025). The Effect of Integrated STEM Implementation on Digital Literacy Skills: A Regression Analysis.
Materi: Integrasi pipeline machine learning menggunakan Python dan Google Colab.
Pustaka: Anistyasari, Y., dkk. (2025). The Effect of Integrated STEM Implementation on Digital Literacy Skills: A Regression Analysis.		 20%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Penilaian Hasil Project / Penilaian Produk 100%
100%

Catatan

  1. Capaian Pembelajaran Lulusan Program Studi (PLO - Program Studi) adalah kemampuan yang dimiliki oleh setiap lulusan Program Studi yang merupakan internalisasi dari sikap, penguasaan pengetahuan dan ketrampilan sesuai dengan jenjang prodinya yang diperoleh melalui proses pembelajaran.
  2. PLO yang dibebankan pada mata kuliah adalah beberapa capaian pembelajaran lulusan program studi (CPL-Program Studi) yang digunakan untuk pembentukan/pengembangan sebuah mata kuliah yang terdiri dari aspek sikap, ketrampulan umum, ketrampilan khusus dan pengetahuan.
  3. Program Objectives (PO) adalah kemampuan yang dijabarkan secara spesifik dari PLO yang dibebankan pada mata kuliah, dan bersifat spesifik terhadap bahan kajian atau materi pembelajaran mata kuliah tersebut.
  4. Sub-PO Mata kuliah (Sub-PO) adalah kemampuan yang dijabarkan secara spesifik dari PO yang dapat diukur atau diamati dan merupakan kemampuan akhir yang direncanakan pada tiap tahap pembelajaran, dan bersifat spesifik terhadap materi pembelajaran mata kuliah tersebut.
  5. Indikator penilaian kemampuan dalam proses maupun hasil belajar mahasiswa adalah pernyataan spesifik dan terukur yang mengidentifikasi kemampuan atau kinerja hasil belajar mahasiswa yang disertai bukti-bukti.
  6. Kreteria Penilaian adalah patokan yang digunakan sebagai ukuran atau tolok ukur ketercapaian pembelajaran dalam penilaian berdasarkan indikator-indikator yang telah ditetapkan. Kreteria penilaian merupakan pedoman bagi penilai agar penilaian konsisten dan tidak bias. Kreteria dapat berupa kuantitatif ataupun kualitatif.
  7. Bentuk penilaian: tes dan non-tes.
  8. Bentuk pembelajaran: Kuliah, Responsi, Tutorial, Seminar atau yang setara, Praktikum, Praktik Studio, Praktik Bengkel, Praktik Lapangan, Penelitian, Pengabdian Kepada Masyarakat dan/atau bentuk pembelajaran lain yang setara.
  9. Metode Pembelajaran: Small Group Discussion, Role-Play & Simulation, Discovery Learning, Self-Directed Learning, Cooperative Learning, Collaborative Learning, Contextual Learning, Project Based Learning, dan metode lainnya yg setara.
  10. Materi Pembelajaran adalah rincian atau uraian dari bahan kajian yg dapat disajikan dalam bentuk beberapa pokok dan sub-pokok bahasan.
  11. Bobot penilaian adalah prosentasi penilaian terhadap setiap pencapaian sub-PO yang besarnya proposional dengan tingkat kesulitan pencapaian sub-PO tsb., dan totalnya 100%.
  12. TM=Tatap Muka, PT=Penugasan terstruktur, BM=Belajar mandiri.