Universitas Negeri Surabaya
Fakultas Matematika dan Ilmu Pengetahuan Alam
Program Studi S1 Sains Data

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Statistika Inferensial

4920203013

Mata Kuliah Wajib Program Studi

T=3

P=0

ECTS=4.77

3

29 September 2024

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Ulfa Siti Nuraini


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


Yuliani Puji Astuti, S.Si., M.Si.

Model Pembelajaran

Case Study

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-3

Mengembangkan pemikiran logis, kritis, sistematis, dan kreatif dalam melakukan pekerjaan yang spesifik di bidang keahliannya serta sesuai dengan standar kompetensi kerja bidang yang bersangkutan

PLO-20

Memiliki kemampuan (pengelolaan) manajerial tim dan kerja sama (team work), manajemen diri, mampu berkomunikasi baik lisan maupun tertulis dalam berbagai konteks profesional.

PLO-22

Mampu merancang dan mengembangkan algoritma untuk berbagai keperluan seperti analisis big data, kecerdasan artifisial, basis data, penambangan data, statistika inferensial, desain dan analisis algoritma, dan data warehouse.

PLO-27

Menguasai teori matematika, statistika, dan ilmu komputer/informatika

Program Objectives (PO)

PO - 1

Mahasiswa memahami makna statistika inferensial

PO - 2

Mahasiswa memahami estimasi parameter

PO - 3

Mahasiswa memahami pengujian hipotesis statistik

PO - 4

Mahasiswa memahami konsep pemodelan

Matrik PLO-PO
 
POPLO-3PLO-20PLO-22PLO-27
PO-1   ✔
PO-2   ✔
PO-3   ✔
PO-4✔ ✔ 

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✔✔✔✔

Deskripsi Singkat Mata Kuliah

Pada mata kuliah ini akan dipelajari teori statistik yang mendasari konsep pengambilan keputusan melalui pengujian hipotesis sehingga mahasiswa dapat menguasai konsep distribusi sampling, estimasi parameter yang meliputi penaksiran titik, interval, metode penentuan penaksir dan sifat-sifat penaksir. Kemudian juga dipelajari tentang metode pengujian hipotesis pada sampling distribusi normal melalui penerapan pengujian mean dan varians, analisis regresi linear, baik sederhana atau berganda, regresi logistik, regresi poisson dan negative binomial, model untuk klasifikasi, klastering serta aplikasi dalam metode statistika nonparametrik. Dengan demikian mahasiswa akan memiliki pengalaman belajar untuk berfikir secara kristis dan mampu memberikan keputusan yang tepat tentang penggunaan konsep tersebut

Pustaka

Utama :

  1. Agresti, A., & Kateri, M. (2021). Foundations of Statistics for Data Scientists: With R and Python. Chapman and Hall/CRC
  2. Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2011). Probability and statistics for engineers and scientists (9th ed.). Prentice Hall.

Pendukung :

Dosen Pengampu

Yuliani Puji Astuti, S.Si., M.Si.

A'yunin Sofro, M.Si., Ph.D.

Ike Fitriyaningsih, S.Si., M.Si

Danang Ariyanto, S.Si., M.Si.

Ulfa Siti Nuraini, S.Stat., M.Stat.

Dinda Galuh Guminta, S.Stat., M.Stat.

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

Mahasiswa memahami perbedaan antara statitika deskriptif dan inferensial
  1. Mampu menjelaskan perbedaan antara statistika deskriptif dan inferensial
  2. Mampu menyebutkan jenis-jenis data
  3. Mampu menjelaskan konsep variabel random
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
150		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab) Mandiri
150		 Materi: Introduction to Statistical Inference
Pustaka: Agresti, A., & Kateri, M. (2021). Foundations of Statistics for Data Scientists: With R and Python. Chapman and Hall/CRC		 2%

2

Minggu ke 2

Mahasiswa memahami distribusi sampling
  1. Mampu menyebutkan berbagai macam distribusi probabilitas baik diskrit dan kontinu
  2. Mampu menjelaskan distrubusi sampling mean
  3. Mampu menjelaskan distribusi sampling varians
  4. Mampu menghitung nilai Z pada konsep Teorema Limit Pusat
  5. Teorema Limit Pusat
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
150		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab) Mandiri
150		 Materi: Sampling Distribution
Pustaka: Agresti, A., & Kateri, M. (2021). Foundations of Statistics for Data Scientists: With R and Python. Chapman and Hall/CRC
Materi: Sampling Distribution
Pustaka: Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2011). Probability and statistics for engineers and scientists (9th ed.). Prentice Hall.		 3%

3

Minggu ke 3

Mahasiswa memahami teori tentang estimasi parameter
  1. Mampu menjelaskan metode estimasi titik satu sampel
  2. Mampu menjelaskan metode estimasi proporsi satu sampel
  3. Mampu menjelaskan estimasi interval satu sampel
  4. Mampu menjelaskan sifat- sifat estimator
  5. Mampu membuktikan estimator Mean untuk distribusi Normal
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
150		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab) Mandiri
150		 Materi: One Sample Estimation
Pustaka: Agresti, A., & Kateri, M. (2021). Foundations of Statistics for Data Scientists: With R and Python. Chapman and Hall/CRC
Materi: One Sample Estimation
Pustaka: Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2011). Probability and statistics for engineers and scientists (9th ed.). Prentice Hall.		 4%

4

Minggu ke 4

Mahasiswa memahami teori tentang estimasi parameter
  1. Mampu menjelaskan metode estimasi titik dua sampel
  2. Mampu menjelaskan metode estimasi proporsi dua sampel
  3. Mampu menjelaskan estimasi interval dua sampel
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
150		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab) Mandiri
150		 Materi: Two Sample Estimation
Pustaka: Agresti, A., & Kateri, M. (2021). Foundations of Statistics for Data Scientists: With R and Python. Chapman and Hall/CRC
Materi: Two Sample Estimation
Pustaka: Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2011). Probability and statistics for engineers and scientists (9th ed.). Prentice Hall.		 5%

5

Minggu ke 5

Mahasiswa memahami pengujian hipotesis statistik
  1. Mampu menjelaskan perbedaan antara A/B testing dan Hipotesis testing
  2. Mampu menjelaskan konsep signifikansi statistik dan p-value
  3. Mampu menjelaskan konsep pengujian hipotesis satu sampel
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
150		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab) Mandiri
150		 Materi: - Konsep dan Definisi dalam Pengujian Hipotesis - Pengujian hipotesis satu sampel - Pengujian hipotesis dua sampel
Pustaka: Agresti, A., & Kateri, M. (2021). Foundations of Statistics for Data Scientists: With R and Python. Chapman and Hall/CRC
Materi: Hypothesis testing
Pustaka: Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2011). Probability and statistics for engineers and scientists (9th ed.). Prentice Hall.		 5%

6

Minggu ke 6

Mahasiswa memahami pengujian hipotesis statistik
  1. Mampu menggunakan metode statistik untuk pengujian hipotesis satu sampel mean
  2. Mampu menggunakan metode statistik untuk pengujian hipotesis satu sampel varians
  3. Mampu menggunakan metode statistik untuk pengujian hipotesis satu sampel proporsi
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
150		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab) Mandiri
150		 Materi: - Konsep dan Definisi dalam Pengujian Hipotesis - Pengujian hipotesis satu sampel - Pengujian hipotesis dua sampel
Pustaka: Agresti, A., & Kateri, M. (2021). Foundations of Statistics for Data Scientists: With R and Python. Chapman and Hall/CRC		 4%

7

Minggu ke 7

Mahasiswa memahami pengujian hipotesis statistik
  1. Mampu menggunakan metode statistik untuk pengujian hipotesis dua sampel mean
  2. Mampu menggunakan metode statistik untuk pengujian hipotesis dua sampel varians
  3. Mampu menggunakan metode statistik untuk pengujian hipotesis dua sampel proporsi
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
150		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab) Mandiri
150		 Materi: - Konsep dan Definisi dalam Pengujian Hipotesis - Pengujian hipotesis satu sampel - Pengujian hipotesis dua sampel
Pustaka: Agresti, A., & Kateri, M. (2021). Foundations of Statistics for Data Scientists: With R and Python. Chapman and Hall/CRC		 4%

8

Minggu ke 8

Ujian Tengah Semester

Ujian Tengah Semester

 Kriteria:

Tes


Bentuk Penilaian :
Aktifitas Partisipasif, Tes		 Ujian Tengah Semester
150		 Ujian Tengah Semester
150		 Materi: Seluruh materi sebelum UTS
Pustaka: Agresti, A., & Kateri, M. (2021). Foundations of Statistics for Data Scientists: With R and Python. Chapman and Hall/CRC		 20%

9

Minggu ke 9

Mahasiswa memahami pengujian hipotesis statistik
  1. Mampu menggunakan metode one-way analysis of variance
  2. Mampu menggunakan metode two-way analysis of variance
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
150		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab) Mandiri
150		 Materi: ANOVA
Pustaka: Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2011). Probability and statistics for engineers and scientists (9th ed.). Prentice Hall.		 4%

10

Minggu ke 10

Mahasiswa memahami pengujian hipotesis statistik
  1. Mahasiswa mampu melakukan pengujian distribusi normal dengan metode statistika
  2. Mahasiswa mampu melakukan pengujian distribusi selain normal dengan metode statistika
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
150		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab) Mandiri
150		 Materi: Pengujian Distribusi Normal
Pustaka: Agresti, A., & Kateri, M. (2021). Foundations of Statistics for Data Scientists: With R and Python. Chapman and Hall/CRC		 4%

11

Minggu ke 11

Mahasiswa memahami pemodelan regresi linier
  1. Mampu menjelaskan konsep pemodelan linier
  2. Mampu membuat pemodelan regresi linier sederhana
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
150		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab) Mandiri
150		 Materi: Linear Regression
Pustaka: Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2011). Probability and statistics for engineers and scientists (9th ed.). Prentice Hall.		 4%

12

Minggu ke 12

Mahasiswa memahami pemodelan regresi linier
  1. Mampu menjelaskan konsep pemodelan linier berganda
  2. Mampu membuat pemodelan regresi linier sederhana berganda
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
150		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab) Mandiri
150		 Materi: Linear Regression
Pustaka: Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2011). Probability and statistics for engineers and scientists (9th ed.). Prentice Hall.		 3%

13

Minggu ke 13

Mahasiswa memahami pemodelan regresi linier
  1. Mampu menjelaskan asumsi linieritas
  2. Mampu menjelaskan asumsi residual
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
150		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab) Mandiri
150		 Materi: Linear Regression
Pustaka: Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2011). Probability and statistics for engineers and scientists (9th ed.). Prentice Hall.		 2%

14

Minggu ke 14

Mahasiswa memahami pemodelan generalized linear model
  1. Mampu menjelaskan konsep GLM
  2. Mampu menggunakan model regresi logistik
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
150		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab) Mandiri
150		 Materi: - Konsep dan Definisi dalam Pengujian Hipotesis - Pengujian hipotesis satu sampel - Pengujian hipotesis dua sampel
Pustaka: Agresti, A., & Kateri, M. (2021). Foundations of Statistics for Data Scientists: With R and Python. Chapman and Hall/CRC
Materi: Logistic Regression
Pustaka: Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2011). Probability and statistics for engineers and scientists (9th ed.). Prentice Hall.		 3%

15

Minggu ke 15

Mahasiswa memahami prosedur statistika non-parametrik
  1. Mampu memahami konsep statistika non parametrik
  2. Mampu melakukan pengujian hipotesis satu sampel dengan statistik non parametrik
  3. Mampu melakukan pengujian hipotesis dua sampel dengan statistik non parametrik
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
150		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab) Mandiri
150		 Materi: Non parametric statistics
Pustaka: Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2011). Probability and statistics for engineers and scientists (9th ed.). Prentice Hall.		 3%

16

Minggu ke 16

Ujian Akhir Semester

Ujian Akhir Semester

 Kriteria:

Ujian Akhir Semester


Bentuk Penilaian :
Aktifitas Partisipasif, Tes		 Ujian Akhir Semester
150		 Ujian Akhir Semester
150		 Materi: Seluruh Materi Sebelum UAS
Pustaka: Agresti, A., & Kateri, M. (2021). Foundations of Statistics for Data Scientists: With R and Python. Chapman and Hall/CRC		 30%



Rekap Persentase Evaluasi : Case Study

No Evaluasi Persentase
1. Aktifitas Partisipasif 73%
2. Penilaian Hasil Project / Penilaian Produk 2%
3. Tes 25%
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.