Universitas Negeri Surabaya
Fakultas Vokasi
Program Studi D4 Teknologi Rekayasa Otomotif

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Analisis Numerik dan Perancangan Eksperimen

2130402020

Mata Kuliah Wajib Program Studi

T=2

P=0

ECTS=3.18

3

29 Agustus 2025

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Sudirman Rizki Ariyanto, M.Pd., M.T.


Sudirman Rizki Ariyanto, M.Pd., M.T.


FERLY ISNOMO ABDI

Model Pembelajaran

Project Based Learning

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-5

Mampu memanfaatkan prinsip-prinsip dasar matematika, sains, mekanika, dan material teknik sebagai landasan dalam analisis, perancangan, dan pengembangan solusi teknis yang aplikatif di bidang keteknikan

PLO-6

Mampu menerapkan metode optimasi desain dalam memecahkan masalah yang dihadapi dalam karir profesional dibidang otomotif

PLO-7

Mampu merancang, menganalisis, dan melakukan pengujian serta pengembangan produk bidang otomotif melalui teknologi berbasis komputer terapan dan manufaktur canggih

PLO-8

Mampu menerapkan analisis, perancangan, dan simulasi rekayasa kendaraan dengan memanfaatkan teknologi terkini untuk meningkatkan performa, keselamatan, dan efisiensi energi

Program Objectives (PO)

PO - 1

Mahasiswa mampu memahami dan menerapkan prinsip dasar matematika, statistika, dan sains dalam rancangan eksperimen sebagai landasan analisis data pada kasus bidang otomotif.

PO - 2

Mahasiswa mampu merancang eksperimen dan menentukan faktor, level, serta respon menggunakan metode desain eksperimen (factorial, RSM, Taguchi) untuk mendukung optimasi desain di bidang otomotif.

PO - 3

Mahasiswa mampu menganalisis hasil eksperimen dan menyusun model matematis melalui teknologi berbasis komputer untuk pengujian serta pengembangan produk otomotif.

PO - 4

Mahasiswa mampu menginterpretasikan hasil eksperimen dan menyajikan solusi berbasis analisis numerik untuk meningkatkan performa, keselamatan, dan efisiensi energi kendaraan.

Matrik PLO-PO
 
POPLO-5PLO-6PLO-7PLO-8
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

Mata kuliah ini membekali mahasiswa dengan pengetahuan dan keterampilan dalam menerapkan metode analisis numerik serta perancangan eksperimen di bidang otomotif. Pembahasan meliputi prinsip dasar, distribusi sampel, analisis variansi, regresi, desain faktorial, metode RSM, hingga metode Taguchi untuk optimasi desain. Mahasiswa akan dilatih melalui studi kasus berbasis problem nyata, sehingga mampu menghasilkan solusi aplikatif dengan pendekatan saintifik dan teknologi terkini.

Pustaka

Utama :

  1. Montgomery, D. C. (2013). Design and Analysis of Experiment (8th ed.). John Wiley & Sons, Inc.
  2. Arora, J. S. (2017). Introduction to Optimum Design (4th ed.). Academic Press, Elsevier.
  3. Myers, R. H., Montgomery, D. C., & Anderson-Cook, C. M. (2018). Response Surface Methodology: Process and Product Optimization using Designed Experiment (3rd ed.). John Wiley & Sons, Inc.

Pendukung :

  1. Ariyanto, S. R., & Arifianti, L. S. Y. (2025). Metode Numerik Terapan dengan Software Pemrograman. KBM Indonesia.
  2. Ariyanto, S. R., Wulandari, R., & Suprayitno. (2023). Tuning artificial neural network parameters using Taguchi method. https://doi.org/10.1063/5.0115783
  3. Ariyanto, S. R., Suprianto, B., Warju, Suhartini, R., Samani, M., & Haratama, K. R. (2026). Hyperparameter optimization of ANN for students’ performance prediction using response surface methodology and genetic algorithm. International Journal on Informatics Visualization, 10(1), 358–368. https://doi.org/10.62527/joiv.10.1.3973
  4. Ariyanto, S. R., Suprayitno, S., & Wulandari, R. (2023). Design of metallic catalytic converter using Pareto optimization to improve engine performance and exhaust emissions. Automotive Experiences, 6(1), 200–215. https://doi.org/10.31603/ae.7977

Dosen Pengampu

Prof. Dr. I Made Arsana, S.Pd., M.T.

Sudirman Rizki Ariyanto, M.Pd., M.T.

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

Mampu menjelaskan prinsip dasar rancangan eksperimen dan ruang lingkup penerapannya dalam bidang otomotif.
  1. Mampu menguraikan definisi rancangan eksperimen.
  2. Mampu menjelaskan perbedaan antara eksperimen acak, factorial design, dan optimasi.
  3. Mampu memberikan contoh kasus otomotif yang relevan dengan rancangan eksperimen.
 Kriteria:
  1. Ketepatan menjelaskan definisi rancangan eksperimen.
  2. Ketepatan membedakan jenis rancangan eksperimen.
  3. Relevansi contoh kasus yang diberikan.

Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah interaktif, diskusi kelompok, studi kasus ringan.
150 menit
Materi: Pengantar rancangan eksperimen, ruang lingkup & relevansi dalam teknik otomotif.
Pustaka: Montgomery, D. C. (2013). Design and Analysis of Experiment (8th ed.). John Wiley & Sons, Inc.
Materi: Pengantar Analisis Numerik dan Pemodelan Matematis
Pustaka: Ariyanto, S. R., & Arifianti, L. S. Y. (2025). Metode Numerik Terapan dengan Software Pemrograman. KBM Indonesia.		 5%

2

Minggu ke 2

Mampu menghitung ukuran pemusatan dan penyebaran data pada eksperimen otomotif.

Mampu menghitung mean, median, varians, dan standar deviasi dari data eksperimen otomotif.

 Kriteria:

Ketepatan perhitungan ukuran statistik dasar.


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah singkat, latihan soal, diskusi kelompok.
150 menit
Materi: Statistik dasar untuk eksperimen.
Pustaka: Montgomery, D. C. (2013). Design and Analysis of Experiment (8th ed.). John Wiley & Sons, Inc.
Materi: Analisis Galat (Error Analysis) dalam Komputasi Numerik
Pustaka: Ariyanto, S. R., & Arifianti, L. S. Y. (2025). Metode Numerik Terapan dengan Software Pemrograman. KBM Indonesia.		 5%

3

Minggu ke 3

Mampu mengidentifikasi ukuran sampel dan distribusi data.

Mampu menentukan ukuran sampel yang tepat dan mengenali distribusi data (normal, uniform, dsb).

 Kriteria:

Ketepatan identifikasi ukuran dan distribusi sampel.


Bentuk Penilaian :
Aktifitas Partisipasif, Praktik / Unjuk Kerja		 Praktikum analisis data, diskusi kelompok.
150 menit
Materi: Distribusi Sampel
Pustaka: Montgomery, D. C. (2013). Design and Analysis of Experiment (8th ed.). John Wiley & Sons, Inc.
Materi: Distribusi data eksperimen.
Pustaka: Montgomery, D. C. (2013). Design and Analysis of Experiment (8th ed.). John Wiley & Sons, Inc.
Materi: Penyelesaian Akar Persamaan Non-Linear Menggunakan Software Pemrograman
Pustaka: Ariyanto, S. R., & Arifianti, L. S. Y. (2025). Metode Numerik Terapan dengan Software Pemrograman. KBM Indonesia.		 5%

4

Minggu ke 4

Mampu menganalisis distribusi data nyata otomotif.

Mampu mengolah data distribusi hasil uji kendaraan.

 Kriteria:

Ketepatan analisis distribusi data.


Bentuk Penilaian :
Aktifitas Partisipasif		 Studi kasus, diskusi kelas.
150 menit
Materi: Studi kasus distribusi data.
Pustaka: Ariyanto, S. R., & Arifianti, L. S. Y. (2025). Metode Numerik Terapan dengan Software Pemrograman. KBM Indonesia.
Materi: Solusi Komputasi untuk Sistem Persamaan Linear Terapan.
Pustaka: Ariyanto, S. R., & Arifianti, L. S. Y. (2025). Metode Numerik Terapan dengan Software Pemrograman. KBM Indonesia.		 5%

5

Minggu ke 5

Mampu menyusun perencanaan eksperimen (faktor, level, respon, metode).

Mampu merancang rancangan percobaan sederhana dengan variabel otomotif.

 Kriteria:

Ketepatan menentukan faktor, level, dan respon.


Bentuk Penilaian :
Aktifitas Partisipasif		 Simulasi, diskusi kelompok.
150 menit
Materi: Perencanaan eksperimen.
Pustaka: Montgomery, D. C. (2013). Design and Analysis of Experiment (8th ed.). John Wiley & Sons, Inc.
Materi: Pencocokan Kurva (Curve Fitting) dan Regresi Data
Pustaka: Ariyanto, S. R., & Arifianti, L. S. Y. (2025). Metode Numerik Terapan dengan Software Pemrograman. KBM Indonesia.		 5%

6

Minggu ke 6

Mampu merancang eksperimen factorial design.

Mampu merancang Factorial Design

 Kriteria:

Ketepatan rancangan factorial design.


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah, latihan software.
150 menit
Materi: Factorial design.
Pustaka: Montgomery, D. C. (2013). Design and Analysis of Experiment (8th ed.). John Wiley & Sons, Inc.
Materi: Interpolasi Numerik untuk Pemodelan Data Komputasi
Pustaka: Ariyanto, S. R., & Arifianti, L. S. Y. (2025). Metode Numerik Terapan dengan Software Pemrograman. KBM Indonesia.		 5%

7

Minggu ke 7

Mampu menerapkan factorial design pada data otomotif.

Mampu menganalisis hasil factorial design.

 Kriteria:

Ketepatan analisis factorial design.


Bentuk Penilaian :
Aktifitas Partisipasif		 Praktikum software, laporan singkat.
150 menit
Materi: Factorial design.
Pustaka: Montgomery, D. C. (2013). Design and Analysis of Experiment (8th ed.). John Wiley & Sons, Inc.
Materi: Diferensiasi dan Integrasi Numerik Terapan
Pustaka: Ariyanto, S. R., & Arifianti, L. S. Y. (2025). Metode Numerik Terapan dengan Software Pemrograman. KBM Indonesia.		 5%

8

Minggu ke 8

Mampu menjelaskan konsep RSM dan desain CCD.

Mampu menggambarkan rancangan CCD.

 Kriteria:

Ketepatan menjelaskan langkah CCD.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Ceramah, latihan software.
150 menit
Materi: Konsep RSM dan desain CCD.
Pustaka: Myers, R. H., Montgomery, D. C., & Anderson-Cook, C. M. (2018). Response Surface Methodology: Process and Product Optimization using Designed Experiment (3rd ed.). John Wiley & Sons, Inc.
Materi: Pengantar Komputasi Cerdas: Arsitektur Artificial Neural Network (ANN)
Pustaka: Ariyanto, S. R., Suprianto, B., Warju, Suhartini, R., Samani, M., & Haratama, K. R. (2026). Hyperparameter optimization of ANN for students’ performance prediction using response surface methodology and genetic algorithm. International Journal on Informatics Visualization, 10(1), 358–368. https://doi.org/...		 5%

9

Minggu ke 9

Mampu menjelaskan konsep RSM dan desain BBD.

Mampu menggambarkan rancangan BBD.

 Kriteria:

Ketepatan menjelaskan langkah BBD.


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah, latihan software.
150 menit
Materi: Konsep RSM dan desain BBD.
Pustaka: Myers, R. H., Montgomery, D. C., & Anderson-Cook, C. M. (2018). Response Surface Methodology: Process and Product Optimization using Designed Experiment (3rd ed.). John Wiley & Sons, Inc.
Materi: Pemodelan Data Menggunakan Response Surface Methodology (RSM)
Pustaka: Ariyanto, S. R., Suprianto, B., Warju, Suhartini, R., Samani, M., & Haratama, K. R. (2026). Hyperparameter optimization of ANN for students’ performance prediction using response surface methodology and genetic algorithm. International Journal on Informatics Visualization, 10(1), 358–368. https://doi.org/...		 5%

10

Minggu ke 10

Mampu menganalisis kasus otomotif menggunakan RSM.

Mampu menganalisis data dengan RSM CCD/BBD.

 Kriteria:

Ketepatan hasil analisis RSM.


Bentuk Penilaian :
Penilaian Praktikum		 Praktikum software, studi kasus.
150 menit
Materi: Response Surface Methodology
Pustaka: Myers, R. H., Montgomery, D. C., & Anderson-Cook, C. M. (2018). Response Surface Methodology: Process and Product Optimization using Designed Experiment (3rd ed.). John Wiley & Sons, Inc.
Materi: Pengenalan dan Cara Kerja Algoritma Genetika (Genetic Algorithm)
Pustaka: Ariyanto, S. R., Suprianto, B., Warju, Suhartini, R., Samani, M., & Haratama, K. R. (2026). Hyperparameter optimization of ANN for students’ performance prediction using response surface methodology and genetic algorithm. International Journal on Informatics Visualization, 10(1), 358–368. https://doi.org/...
Materi: Optimasi Parameter Menggunakan Integrasi Metode RSM dan Algoritma Genetika
Pustaka: Ariyanto, S. R., Suprianto, B., Warju, Suhartini, R., Samani, M., & Haratama, K. R. (2026). Hyperparameter optimization of ANN for students’ performance prediction using response surface methodology and genetic algorithm. International Journal on Informatics Visualization, 10(1), 358–368. https://doi.org/...		 5%

11

Minggu ke 11

Mampu menjelaskan prinsip metode Taguchi.

Kriteria:

Ketepatan menyusun OA.


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah, latihan software.
150 menit
Materi: Metode Taguchi.
Pustaka: Ariyanto, S. R., Wulandari, R., & Suprayitno. (2023). Tuning artificial neural network parameters using Taguchi method. https://doi.org/......
Materi: Pengantar Pemodelan Kinerja Mesin dan Emisi Gas Buang Kendaraan
Pustaka: Ariyanto, S. R., Suprayitno, S., & Wulandari, R. (2023). Design of metallic catalytic converter using Pareto optimization to improve engine performance and exhaust emissions. Automotive Experiences, 6(1), 200–215. https://doi.org/...		 5%

12

Minggu ke 12

Mampu menganalisis studi kasus dengan metode Taguchi.

Mampu menghitung S/N Ratio dan menganalisis hasil.

 Kriteria:

Ketepatan analisis S/N Ratio.


Bentuk Penilaian :
Penilaian Praktikum		 Praktikum software, diskusi.
150 menit
Materi: Metode Taguchi.
Pustaka: Ariyanto, S. R., Wulandari, R., & Suprayitno. (2023). Tuning artificial neural network parameters using Taguchi method. https://doi.org/......
Materi: Pengantar Pemodelan Kinerja Mesin dan Emisi Gas Buang Kendaraan
Pustaka: Ariyanto, S. R., Suprayitno, S., & Wulandari, R. (2023). Design of metallic catalytic converter using Pareto optimization to improve engine performance and exhaust emissions. Automotive Experiences, 6(1), 200–215. https://doi.org/...		 5%

13

Minggu ke 13

Mampu membandingkan RSM dan Taguchi.

Mampu menguraikan kelebihan & keterbatasan RSM vs Taguchi.

 Kriteria:

Ketepatan membandingkan dua metode.


Bentuk Penilaian :
Aktifitas Partisipasif		 Diskusi kelas, studi kasus kecil.
150 menit
Materi: Response Surface Methodology
Pustaka: Myers, R. H., Montgomery, D. C., & Anderson-Cook, C. M. (2018). Response Surface Methodology: Process and Product Optimization using Designed Experiment (3rd ed.). John Wiley & Sons, Inc.
Materi: Metode Taguchi.
Pustaka: Ariyanto, S. R., Wulandari, R., & Suprayitno. (2023). Tuning artificial neural network parameters using Taguchi method. https://doi.org/......
Materi: Konsep Dasar Optimasi Multi-Objektif pada Kasus Keteknikan
Pustaka: Ariyanto, S. R., Suprayitno, S., & Wulandari, R. (2023). Design of metallic catalytic converter using Pareto optimization to improve engine performance and exhaust emissions. Automotive Experiences, 6(1), 200–215. https://doi.org/...		 5%

14

Minggu ke 14

Mampu mengolah data eksperimen sesuai rancangan (Case Project 1).

Mampu mengolah data eksperimen dengan metode yang dipilih.

 Kriteria:

Ketepatan analisis awal.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Praktikum software, bimbingan.
150 menit
Materi: Mengolah data eksperimen sesuai rancangan
Pustaka: Montgomery, D. C. (2013). Design and Analysis of Experiment (8th ed.). John Wiley & Sons, Inc.
Materi: Aplikasi Metode Optimasi Pareto (Pareto Optimization) dalam Analisis Numerik
Pustaka: Ariyanto, S. R., Suprayitno, S., & Wulandari, R. (2023). Design of metallic catalytic converter using Pareto optimization to improve engine performance and exhaust emissions. Automotive Experiences, 6(1), 200–215. https://doi.org/...		 10%

15

Minggu ke 15

Mampu menyusun laporan hasil analisis eksperimen.

Mampu menyusun laporan analisis eksperimen sesuai format.

 Kriteria:

Kelengkapan & ketepatan laporan.


Bentuk Penilaian :
Penilaian Portofolio		 Workshop laporan, diskusi.
150 menit
Materi: Analisis eksperimen.
Pustaka: Montgomery, D. C. (2013). Design and Analysis of Experiment (8th ed.). John Wiley & Sons, Inc.
Materi: Analisis Numerik untuk Pemodelan Desain Metallic Catalytic Converte
Pustaka: Ariyanto, S. R., Suprayitno, S., & Wulandari, R. (2023). Design of metallic catalytic converter using Pareto optimization to improve engine performance and exhaust emissions. Automotive Experiences, 6(1), 200–215. https://doi.org/...		 10%

16

Minggu ke 16

Mampu mempresentasikan hasil analisis eksperimen dan menarik kesimpulan aplikatif untuk otomotif.

Mampu menjelaskan hasil, menarik kesimpulan, dan menjawab pertanyaan audiens.

 Kriteria:

Ketepatan interpretasi, kejelasan presentasi, kemampuan menjawab pertanyaan.


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Presentasi kelompok, diskusi kelas.
150 menit
Materi: Hasil analisis eksperimen
Pustaka: Montgomery, D. C. (2013). Design and Analysis of Experiment (8th ed.). John Wiley & Sons, Inc.
Materi: Studi Kasus: Evaluasi Peningkatan Kinerja Mesin dan Reduksi Emisi Berbasis Optimasi Pareto
Pustaka: Ariyanto, S. R., Suprayitno, S., & Wulandari, R. (2023). Design of metallic catalytic converter using Pareto optimization to improve engine performance and exhaust emissions. Automotive Experiences, 6(1), 200–215. https://doi.org/...		 15%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 47.5%
2. Penilaian Hasil Project / Penilaian Produk 30%
3. Penilaian Portofolio 10%
4. Penilaian Praktikum 10%
5. Praktik / Unjuk Kerja 2.5%
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.