Universitas Negeri Surabaya
Fakultas Ekonomika dan Bisnis
Program Studi S2 Manajemen

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Statistik Multivariate

6110103003

Mata Kuliah Wajib Program Studi

T=3

P=0

ECTS=6.72

1

18 Januari 2025

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Dr. Sanaji, S.E., M.Si


Dr. Andre Dwijanto Witjaksono, S.T., M.Si.


Dr. Andre Dwijanto Witjaksono, S.T., M.Si.

Model Pembelajaran

Case Study

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-2

Menunjukkan karakter tangguh, kolaboratif, adaptif, inovatif, inklusif, belajar sepanjang hayat, dan berjiwa kewirausahaan

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-5

Mampu mengembangkan ilmu, teori serta kerangka konseptual manajemen dan bisnis

PLO-6

Mampu memecahkan permasalahan organisasi melalui kajian manajemen dan bisnis dengan pendekatan inter atau multi disipliner

PLO-9

Mampu mengelola penelitian bisnis dalam menghadapi dinamika perubahan lingkungan

PLO-12

Mampu berkomunikasi secara efektif

Program Objectives (PO)

PO - 1

Mahasiswa mampu mengevaluasi dan mendemonstrasikan pemeriksaan terpenuhinya persyaratan asumsi data berbantuan software yang sesuai dan karakteristik statistik multivariat.

PO - 2

Mahasiswa mampu mengevaluasi dan mendemontrasikan penggunaan metode dependen dalam statistik multivariat berbantuan software komputer seperti SPSS, AMOS dan SmartPLS serta menginterpretasi hasilnya.

PO - 3

Mahasiswa mampu mengevaluasi dan mendemontrasikan penggunaan metode interdependen dalam statistik multivariat berbantuan software komputer seperti SPSS, AMOS dan SmartPLS serta menginterpretasi hasilnya.

PO - 4

Mahasiswa mampu mengevaluasi dan melaporkan penggunaan metode dependen dan metode interdependen dalam statistik multivariat berbantuan software komputer seperti SPSS, AMOS dan SmartPLS serta mengintegrasikan hasilnya dengan keputusan strategis bagi manajemen, organisasi, atau bisnis.

Matrik PLO-PO
 
POPLO-2PLO-3PLO-5PLO-6PLO-9PLO-12
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

Matakuliah ini merupakan mata kuliah wajib keprodian yang diberikan kepada mahasiswa jenjang S2 Manajemen pada semester 1. Mata kuliah statiska multivariate ini berisi pemahaman dan penggunaan metode-metode statistika multivariat meliputi metode dependen dan metode interdependen berbasntuan aplikasi statistik, antara lain SPSS, AMOS, dan SmartPLS. Perkuliahan menggunakan Project Based Learning yang mana setiap mahasiswa memilih tugas penerapan penggunaan metode statistik multivariat dan yang hasilnya diintegrasikan dengan keputusan strategis bagi manajemen, organisasi, atau bisnis.

Pustaka

Utama :

  1. 2. Hair, J.F., Hult, G.T.M., Ringle, C.M. and Sarstedt, M. (2017) A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), 2nd ed., SAGE, Thousand Oaks, CA
  2. 1. Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2019). Multivariate Data Analysis. 8th Edition, Cengage Learning: USA

Pendukung :

  1. 1. Hosmer, D. & Lemeshow, S. (2000). Applied Logistic Regression (Second Edition). New York: John Wiley & Sons, Inc.
  2. 2. Long, J. Scott (1997). Regression Models for Categorical and Limited Dependent Variables. Thousand Oaks, CA: Sage Publications.
  3. 3. Johnson,R.A & Witchen D.W. (2007). Applied Multivariate Statistical Analysis, 6th Edition, New York: Prentice Hall.
  4. 4. Mardia K.V, Kent J.T & Bibby J.M, (2000). Multivariate Analysis, Academic Press,7 th edition

Dosen Pengampu

Dr. Sanaji, S.E., M.Si.

Dr. Andre Dwijanto Witjaksono, S.T., M.Si.

Dr. Ulil Hartono, S.E., M.Si.

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 mampu menganalisis konsep dasar statistik multivariate.

Mahasiswa mampu menguasai konsep dasar matrik dan vektor acak, vektor rata-rata, dan matriks varians kovarians

 Kriteria:

Mampu dengan tepat menganalisis dan mendemostrasikan penerapan konsep dasar statistik multivariat


Bentuk Penilaian :
Aktifitas Partisipasif		 Praktik di lab. Komputer berkaitan dengan matrik dan vektor acak, vektor rata-rata, dan matriks varians kovarians
3 X 50
Materi: Konsep dasar statistik multivariat
Pustaka: 1. Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2019). Multivariate Data Analysis. 8th Edition, Cengage Learning: USA
Materi: Konsep dasar statistik multivariat
Pustaka: 3. Johnson,R.A & Witchen D.W. (2007). Applied Multivariate Statistical Analysis, 6th Edition, New York: Prentice Hall.		 2%

2

Minggu ke 2

Mahasiswa mampu menganalisis konsep dasar statistik multivariate.

Mahasiswa mampu menguasai konsep dasar matrik dan vektor acak, vektor rata-rata, dan matriks varians kovarians

 Kriteria:

Mampu dengan tepat menjelaskan kosnep sampel acak dan mendemonstrasikan penggunaanya dalam statistik multivariat


Bentuk Penilaian :
Aktifitas Partisipasif		 Praktik di lab. Komputer berkaitan dengan matrik dan vektor acak, vektor rata-rata, dan matriks varians kovarians
3 X 50
Materi: Konsep dasar statistik multivariat
Pustaka: 3. Johnson,R.A & Witchen D.W. (2007). Applied Multivariate Statistical Analysis, 6th Edition, New York: Prentice Hall.
Materi: Sampel Acak
Pustaka: 1. Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2019). Multivariate Data Analysis. 8th Edition, Cengage Learning: USA
Materi: Sampel Acak
Pustaka: 3. Johnson,R.A & Witchen D.W. (2007). Applied Multivariate Statistical Analysis, 6th Edition, New York: Prentice Hall.		 2%

3

Minggu ke 3

Mahasiswa mampu menganalisis konsep dasar distribusi normal multivariat, outlier multivariat, dan Maximum Likelihood Estimation

Mahasiswa mampu menguasai konsep dasar distribusi normal multivariat, outlier multivariat dan estimasi kemungkinan maksimum distribusi sampling dan pengujian normalitas

 Kriteria:

Mampu dengan tepat menganalsis asumsi-asumsi dan persyaratan statistik multivariat dan estimasi kemungkinan maksimum (Maximum Likelihood Estimation)


Bentuk Penilaian :
Aktifitas Partisipasif		 Praktik di lab. Komputer berkaitan dengan Distribusi Normal Multivariat, outlier multivariat, dan Maximum Likelihood Estimation
3 X 50
Materi: Asumsi-asumsi dan persyaratan statistik multivariat dan estimasi kemungkinan maksimum (Maximum Likelihood Estimation)
Pustaka: 1. Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2019). Multivariate Data Analysis. 8th Edition, Cengage Learning: USA
Materi: Asumsi-asumsi dan persyaratan statistik multivariat dan estimasi kemungkinan maksimum (Maximum Likelihood Estimation)
Pustaka: 3. Johnson,R.A & Witchen D.W. (2007). Applied Multivariate Statistical Analysis, 6th Edition, New York: Prentice Hall.		 2%

4

Minggu ke 4

Mahasiswa mampu menganalisis inferensi vektor rata-rata.

Mahasiswa mampu menguasai konsep dasar Uji Hotelling T2 dan Likelihood Ratio

 Kriteria:

Mahasiswa mampu dengan tepat menganalisis penggunaan Uji Hotelling T2, Likelihood Ratio, dan inferensi vektor rata-rata


Bentuk Penilaian :
Aktifitas Partisipasif		 Praktik di lab. Komputer berkaitan dengan 1. Uji Hotelling T2 dan Likelihood Ratio 2. Daerah Kepercayaan rata-rata dan perbandingan simultan dari rata-rata 3. Inferensi vektor rat-rata
3 X 50
Materi: Inferensi vektor rata-rata.
Pustaka: 1. Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2019). Multivariate Data Analysis. 8th Edition, Cengage Learning: USA		 2%

5

Minggu ke 5
  1. Uji Perbandingan Rata-Rata Multivariate
  2. Mahasiswa mampu menganalisis uji perbandingan rata-rata multivariate (MANOVA).

1. Mampu mengidentifikasi persyaratan-persyaratan penggunaan dan prosedur MANOVA. 2. Mampu menganalisis MANOVA satu arah, dua arah, dan ua arah dengan interaksi menggunakan aplikasi SPSS 3. Mampu menginterpretasi MANOVA satu arah, dua arah, dan ua arah dengan interaksi.

Kriteria:

Mampu dengan tepat menganalisis dan mendemonstrasikan penggunakan Multivariate analysis of variance (MANOVA)


Bentuk Penilaian :
Aktifitas Partisipasif		 Praktik di lab. Komputer berkaitan dengan 1. Uji Hipotesis rata-rata pada Satu Populasi 2. Uji Hipotesis rata-rata pada Dua Populasi 3. Analisis Varians Univariat Satu Arah 4. Analisis Varians Univariat Dua Arah
3 X 50
Materi: Multivariate analysis of variance (MANOVA)
Pustaka: 1. Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2019). Multivariate Data Analysis. 8th Edition, Cengage Learning: USA		 2%

6

Minggu ke 6

Uji Perbandingan Rata-Rata Multivariate

1. Mampu menganalisis model regresi linear klasik 2. Mampu mengukur estimasi kuadrat terkecil 3. Mampu menganalisis model regresi multivariat 4. Mampu membandingkan dua formulasi model regresi

 Kriteria:

Mampu dengan tepat mengevaluasi penggunaan regresi linear berganda.


Bentuk Penilaian :
Aktifitas Partisipasif		 Praktik di lab. Komputer berkaitan dengan 1. Analisis Varian Multivariat Satu Arah. 2. Analisis Varians Multivariat Dua Arah
3 X 50
Materi: Regresi linear berganda.
Pustaka: 1. Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2019). Multivariate Data Analysis. 8th Edition, Cengage Learning: USA		 2%

7

Minggu ke 7

Mahasiswa mampu mengevaluasi regresi logistik multivariate.

1. Mampu menentukan persyaratan, asumsi, dan tujuan penggunaan regresi logistik 2. Mampu menganalisis model regresi logistic berbantuan software SPSS 3. Mampu menginterpretasi hasil regresi logistik multivariat.

 Kriteria:

Mampu dengan tepat menganalisis penggunaan regresi logistik


Bentuk Penilaian :
Aktifitas Partisipasif		 Praktik di lab. Komputer berkaitan dengan penggunaan regresi logistik multivariate.
3 X 50
Materi: Regresi logistik multivariat
Pustaka:
Materi: Regresi logistik multivariat
Pustaka: 1. Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2019). Multivariate Data Analysis. 8th Edition, Cengage Learning: USA
Materi: Regresi logistik multivariat
Pustaka: 1. Hosmer, D. & Lemeshow, S. (2000). Applied Logistic Regression (Second Edition). New York: John Wiley & Sons, Inc.		 3%

8

Minggu ke 8

UTS

Mampu mengevaluasi penggunaan statistika multivariat untuk mendukung keputusan manajemen, organisasi, dan bisnis.

 Kriteria:

Mampu dengan tepat mengevaluasi penggunaan statistika multivariat untuk mendukung keputusan manajemen, organisasi, dan bisnis.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 UTS
3 X 50
Materi: UTS
Pustaka: 1. Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2019). Multivariate Data Analysis. 8th Edition, Cengage Learning: USA		 25%

9

Minggu ke 9

Mahasiswa mampu menganalisis penggunaan analisa jalur, analisis mediasi, dan analisis moderasi.
  1. Mahasiswa mampu menguasai konsep dasar Analisis Jalur
  2. 1. Mampu menentukan persyaratan, tujuan, dan prosedur analisis jalur 2. Mampu menyelesaikan model analisis jalur dan uji mediasi menggunakan software statistik yang sesuai. 3. Mampu menyelesaikan model regresi moderasi menggunakan software statistik yang sesuai. 4. Mampu menginterpretasi hasil analisis jalur, uji mediasi, dan analisis moderasi
 Kriteria:

Mampu dengan tepat menganalisis penggunaan analisis jalur, uji mediasi, dan uji moderasi.


Bentuk Penilaian :
Aktifitas Partisipasif		 Praktik di lab. Komputer berkaitan dengan analisis jalur, uji mediasi, dan uji moderasi.
3 X 50
Materi: Analisis jalur, uji mediasi, dan uji moderasi.
Pustaka: 1. Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2019). Multivariate Data Analysis. 8th Edition, Cengage Learning: USA		 2%

10

Minggu ke 10

Mahasiswa mampu mengevaluasi penggunaan analisis deskriminan.

ampu menentukan persyaratan, tujuan, dan prosedur analisis diskriminan 2. Mampu menyelesaikan masalah klasifikasi menggunakan prosedur analisis diskriminan menggunakan software SPSS. 3. Mampu menginterpretasi hasil olahan analisis diskriminan.

 Kriteria:

Mampu dengan tepat menganalisis penggunaan analisis diskriminan


Bentuk Penilaian :
Aktifitas Partisipasif		 Praktik di lab. Komputer berkaitan dengan penggunaan analisis diskriminan
3 X 50
Materi: Analisis diskriminan
Pustaka: 1. Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2019). Multivariate Data Analysis. 8th Edition, Cengage Learning: USA		 3%

11

Minggu ke 11

Mahasiswa mampu mengevaluasi penggunaan analisis klaster

1. Mampu menentukan persyaratan dan kegunaan analisis klaster 2. Mampu menyelesaikan masalah klasifikasi menggunakan prosedur K-Mean Cluster dan prosedur hierarchical Cluster menggunakan software SPSS. 3. Mampu menginterpretasi hasil olahan menggunakan K-mean Cluster dan prosedur hierarchical Cluster.

 Kriteria:

Mampu dengan tepat menganalisis penggunaan analisis klaster menggunakan K-Mean Cluster dan Hierarchical Cluster.


Bentuk Penilaian :
Aktifitas Partisipasif		 Praktik di lab. Komputer berkaitan dengan penggunaan metode K-Mean Cluster dan Hierarchical Cluster
3 X 50
Materi: Analisis klaster
Pustaka: 1. Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2019). Multivariate Data Analysis. 8th Edition, Cengage Learning: USA		 3%

12

Minggu ke 12
  1. Analisis Faktor
  2. Mahasiswa mampu mengevaluasi analisis faktor eksploratoris (EFA) dan konfirmatoris (CFA)

1. Mampu menentukan persyaratan dan tujuan analisis faktor 2. Mampu menggunakan analisis faktor exploratoris untuk mereduksi variabel berbantuan software SPSS 3. Mampu menggunakan analisis factor konfirmatoris untuk menguji validitas konstruk berbantuan software SPSS 4. Mampu mengintrepratasi hasil analisis faktor eksploratoris dan konfirmatoris.

 Kriteria:

Mampu dengan tepat menganalisis penggunaan Exploratory factor analysis (EFA) dan analisis factor konfirmatoris (CFA).


Bentuk Penilaian :
Aktifitas Partisipasif		 Praktik di lab. Komputer berkaitan dengan analisis faktor eksploratoris (EFA) dan analisis faktor konfirmatoris (CFA) .
3 X 50
Materi: Exploratory factor analysis (EFA) dan confirmatory factor analysis (CFA).
Pustaka: 1. Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2019). Multivariate Data Analysis. 8th Edition, Cengage Learning: USA		 3%

13

Minggu ke 13

Mampu mengevaluasi penggunaan model persamaan struktural (SEM) berbasis kovarians

1. Mampu menentukan persyaratan, tujuan, dan prosedur analisis SEM; 2. Mampu melakukan uji asumsi data untuk SEM ;3. Mampu melakukan analisis model pengukuran (measurement model) dan analisis model struktural berbantuan software AMOS; 4. Mampu mengintrepratasi hasil analisis SEM.

 Kriteria:

Mampu dengan tepat menganalisis penggunaan SEM berbasis kovarians


Bentuk Penilaian :
Aktifitas Partisipasif		 Praktik di lab. Komputer berkaitan dengan penggunaan model persamaan struktural (SEM) berbasis kovarians
3 X 50
Materi: Structural equation modeling (SEM) berbasis kovariance
Pustaka: 1. Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2019). Multivariate Data Analysis. 8th Edition, Cengage Learning: USA
Materi: Structural equation modeling (SEM) berbasis kovariance
Pustaka: 4. Mardia K.V, Kent J.T & Bibby J.M, (2000). Multivariate Analysis, Academic Press,7 th edition		 3%

14

Minggu ke 14

Mampu mengevaluasi penggunaan partial least square – structural equation modeling (PLS-SEM)

1. Mampu menentukan persyaratan, tujuan, dan prosedur analisis PLS-SEM; 2. Mampu melakukan analisis model luar (outer model) dan analisis inner model berbantuan software SmartPLS.; 3. Mampu mengintrepretasi hasil analisis PLS-SEM.

 Kriteria:

Mampu dengan tepat menganalisis penggunaan PLS-SEM (SEM berbasis variance)


Bentuk Penilaian :
Aktifitas Partisipasif		 Praktik di lab. Komputer berkaitan dengan penggunaan PLS-SEM menggunakan aplikasi SmartPls
3 X 50
Materi: PLS-SEM (SEM berbasis variance)
Pustaka: 2. Hair, J.F., Hult, G.T.M., Ringle, C.M. and Sarstedt, M. (2017) A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), 2nd ed., SAGE, Thousand Oaks, CA		 3%

15

Minggu ke 15

Mampu mengevaluasi, uji mediasi, uji moderasi, dan model dengan indikator formatif pada PLS-SEM

Mahasiswa mampu menguasai konsep dasar Diskriminan dan Klasifikasi

 Kriteria:

Mampu dengan tepat menganalisis penggunaan uji mediasi, uji moderasi, dan indikator formatif pada PLS-SEM.


Bentuk Penilaian :
Aktifitas Partisipasif		 Praktik di lab. Komputer berkaitan dengan uji mediasi, uji moderasi, dan model dengan indikator formatif pada PLS-SEM
3 X 50
Materi: Uji mediasi, uji moderasi, dan indikator formatif pada PLS-SEM
Pustaka: 2. Hair, J.F., Hult, G.T.M., Ringle, C.M. and Sarstedt, M. (2017) A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), 2nd ed., SAGE, Thousand Oaks, CA		 3%

16

Minggu ke 16

UAS

Mampu menyusun laporan penyelesaikan proyek.

 Kriteria:

Mampu dengan tepat menyusun laporan proyek sesuai metode statistik multivariat dan mengintegrasikan penggunaanya dengan keputusan manajemen yang kontekstual


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Melaporkan hasil proyek
3 X 50
Materi: UAS
Pustaka: 1. Hair, J.F., Black, W.C., Babin, B.J., & Anderson, R.E. (2019). Multivariate Data Analysis. 8th Edition, Cengage Learning: USA
Materi: UAS
Pustaka: 2. Hair, J.F., Hult, G.T.M., Ringle, C.M. and Sarstedt, M. (2017) A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), 2nd ed., SAGE, Thousand Oaks, CA		 40%



Rekap Persentase Evaluasi : Case Study

No Evaluasi Persentase
1. Aktifitas Partisipasif 35%
2. Penilaian Hasil Project / Penilaian Produk 65%
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.