Sem 7-4. Garis Besar Rencana Pembelajaran (GBRP)

Sem 7-4. Garis Besar Rencana Pembelajaran (GBRP) Nama Matakuliah Kode MK/SKS Semester Mata Kuliah Prasyarat

: : : :

Kompetensi Sasaran Kompetensi Utama

: : - Kemampuan dalam mendefinisikan beberapa model statistika. - Kemampuan memodelkan dan menganalisis kasus dalam beberapa bidang aplikasi. : Kemampuan membuat laporan lengkap dan presentasi. : Kemampuan berkomunikasi dan bekerjasama, baik sebagai pimpinan maupun anggota, dari sebuah tim kerja. :

Kompetensi Pendukung Kompetensi Lainnya Sasaran Belajar WAKTU MINGGU KE(1)

1

2

Pemodelan Statistika 421H1203/3SKS Awal/7 (Tahun IV) Metode Statistika, Teori Peluang, Ilmu Stokastik, Statistika Matematika, Perancangan Percobaan, Analisis Regresi, Analisis Runtun Waktu, Analisis Data Kategorik, Komputasi Statistika

SASARAN PEMBELAJARAN

MATERI PEMBELAJARAN

BENTUK PEMBELAJARAN

INDIKATOR PENILAIAN

BOBOT NILAI (%)

(2)

(3)

( 4)

(5)

( 6)

Mahasiswa memahami dengan baik tujuan,organisasi materi, strategi pembelajaran, kriteria penilaian, tugas dan tanggung jawabnya dalam kelompok kerja serta untuk mengetahui kemampuan mahasiswa dari mata kuliah prasyarat sebelum masuk dalam materi pemodelan

Mampu menjelaskan konsep dasar pemodelan statistika, dan memberikan contoh-contoh sederhana perbedaan antara deterministic dengan statistika

Informasi, Kontrak Kuliah, Strategi Pembelajaran, dan Pelaksanaan Pre Tes

Konsep Dasar Pemodelan Statistik meliputi Prinsip Pemodelan, LangkahLangkah Pemodelan, Perkembangan Model, Metode Estimasi, dan Diagnosis Model

Kuliah + Diskusi

Kuliah+Small Group Discussion+Contextual Instruction+ Cooperative Learning+ Collaborative Learning

-

Ketepatan menjelaskan konsep dengan contoh Ketepatan menjelaskan perkembangan model statistika dan asumsi setiap model Kedisiplinan dan keaktifan Kerjasama tim Kemutakhiran bahan pustaka

0,5 0,5 4 1 1 1

(1)

(2)

3

Mampu menyelesaikan aljabar matriks secara teori yang digunakan dalam pemodelan statistik dan mampu mengoperasikan matriks dalam software

4

5

Mampu memahami model linear yang berdistribusi normal yaitu model regresi, meliputi bentuk dan asumsi, estimasi parameter , uji inferensi, pendekatan matriks, dan mengaplikasikannya pada contoh riil dengan cara manual Excel dan Software statistika lainnya

Mampu memahami model linear yang digunakan dalam perancangan percobaan, meliputi bentuk dan asumsi, estimasi parameter, analisis varians, dan mengaplikasikannya pada contoh riil dengan cara manual Excel dan Software statistika lainnya

(3) Aljabar Matriks: Teori Matriks dan Aplikasi Software untuk Matriks

(4) Kuliah + (Coolaborative Learning)

6

-

Kuliah + (Project Based)

-

Model Linear Normal dalam Model Regresi Linear Sederhana dan Model Regresi Berganda

-


-

Model Linear dalam Perancangan Percobaan RAL, RAK, dan Rancangan Faktorial


Memahami ukuran-ukuran pelanggaran asumsi model linear dan mampu mengatasi pelanggaran tersebut, selanjutnya mengaplikasikan pada contoh riil melalui software statistika

(5)

Metode Dasar Mengatasi Pelanggaran Asumsi dalam Model Linear; Transformasi

-

(6)

Ketepatan menyelesaikan soal aljabar matriks Ketepatan mengoperasikan software dalam operasi matriks Kedisiplinan dan keaktifan

1

Ketepatan menyelesaikan estimasi parameter dengan metode OLS Ketepatan menyelesaikan estimasi parameter dengan metode MLE Ketepatan memodelkan data riil ke dalam konsep regresi dengan manual Excel dan software statistika Kedisiplinan dan keaktifan

1

Ketepatan menyelesaikan estimasi parameter Ketepatan menyelesaikan analisis varians pada data dengan manual Excel dan Software statistika Ketepatan membuat model linear dari berbagai perancangan Kedisiplinan dan keaktifan Kerjasama tim

0,5

Ketepatan mendeteksi terjadinya pelanggaran asumsi pada data Ketepatan mengatasi pelanggaran asumsi yang terjadi pada data Kedisiplinan dan keaktifan Kerjasama tim Kemutakhiran bahan pustaka dan software

1

1

3

1

1 1

4

1

0,5 4 1 1 1

1 1 1 1

5

(1)

(2)

7

Memahami konsep mendasar model linear tergeneralisasi, alasan penggunan, fungsi distribusi keluarga eksponensial dan proses estimasi parameter

(3) Konsep Dasar Model Linear Tergeneralisasi, Fungsi Distribusi Keluarga Eksponensial, Jenis-Jenis Model Linear Tergeneralisasi, dan Estimasi Parameter

(4) Kuliah + (Project Based)

8

-


Memahami dan mampu memodelkan data dengan pendekatan Model Linear Tergeneralisasi melalui tahapan pemodelan statistika

(5)

Sifat-Sifat Penaksir pada Model Linear Tergeneralisasi, Uji Kecocokan Model, Uji Devians, serta Aplikasi pada Contoh Riil dengan Software

-

-

9

Mampu menyelesaikan Project 1 dalam bentuk makalah, yaitu mencari data riil yang dibagi dalam beberapa bidang yang akan dianalisis ke dalam model statistika berdasarkan asumsi dan kondisi data riil yang diperoleh tersebut dan mempresentasikannya

10

Mampu menyelesaikan Project 1 dalam bentuk makalah, yaitu mencari data riil yang dibagi dalam beberapa bidang yang akan dianalisis ke dalam model statistika berdasarkan asumsi dan kondisi data riil yang diperoleh tersebut dan mempresentasikannya

-

Project I: Presentasi 1

Kuliah+Small Group Discussion +Collaborative Learning+Problem Based Learning

-

Project I: Presentasi 2


-

(6)

Ketepatan estimasi parameter pada model linear tergeneralisasi berdasarkan asumsi fungsi distribusi dari soal Kedisiplinan dan keaktifan Kerjasama tim

1

Ketepatan memodelkan data riil dengan model linear tergeneralisasi berdasarkan urutan langkah pemodelan statistika Kedisiplinan dan keaktifan Kerjasama tim Kemutakhiran bahan pustaka dan software

1

Ketepatan data sesuai dengan tugas masing-masing Ketepatan memodelkan data tersebut Ketepatan interpretasi dari analisis data Kelengkapan makalah Kedisiplinan dan keaktifan Kerjasama tim Keaktifan Kemutakhiran bahan pustaka dan software

1

Ketepatan data sesuai dengan tugas masing-masing Ketepatan memodelkan data tersebut Ketepatan interpretasi dari analisis data Kelengkapan makalah Kedisiplinan

3 1 1

1 1 1

4

2 3 4 1 2 3 3

19

9 1

(1)

(2)

(3)

(4)

(5) -

11

12

13

Memahami dasar penggunaan GEE, dan konsep model marginal dan quasi likelihood sebagai pengantar dalam estimasi parameter

Konsep Dasar Generalized Estimating Equation (GEE), Model Marginal, dan Quasi Likelihood


Memahami langkah dan hasil estimasi parameter model GEE, dan mampu menyelesaikan data dengan model GEE melalui bantuan software

Estimasi Parameter dengan Quasi Likelihood, Generalisasi GEE, dan contoh aplikasi

Memahami pengertian dan tujuan simulasi, jenis, langkah dalam simulasi, serta melakukan simulasi pada software statistika

Pengantar Simulasi dalam Pemodelan Statistika, Pembangkitan Bilangan Acak dan Pembangkitan Data dari Distribusi Tertentu

14

Simulasi Data Melalui Transformasi Langsung

2

-

Ketepatan bentuk fungsi GEE Ketepatan menyeleaikan bentuk model marginal dan quasi likelihood Kedisiplinan Kerjasama tim

1

Ketepatan estimasi parameter dalam GEE Ketepatan memodelkan data dengan pendekatan GEE Kedisiplinan Kerjasama tim Kemutakhiran bahan pustaka

1

Ketepatan membuat simulasi sederhana dalam software Kedisiplinan Kerjasama tim Kemutakhiran software

1

Ketepatan membuat simulasi data dari transformasi langsung dengan software Kedisiplinan Kerjasama tim Kemutakhiran software

1

-


-

Kuliah + (Project Based) Memahami langkah simulasi data melalui transformasi langsung dan mampu mensimulasi data dengan transformasi melalui software statistika

Kerjasama tim Keaktifan - Kemutakhiran bahan pustaka dan software


(6)

-

3 3

1 4 1 1

1 1 1 1

5

4 1 1 1

1 1 1

4

(1)

(2)

(3)

(4)

(5) -

15

Mampu menyelesaikan Project 2 dalam bentuk makalah, yaitu membuat simulasi data di beberapa software statistika dan mempresentasikannya

Project 2: Presentasi 2


-

16

Mampu menyelesaikan Project 2 dalam bentuk makalah, yaitu membuat simulasi data di beberapa software statistika dan mempresentasikannya

Project 2: Presentasi 2

Referensi Utama : 1. Searle, Shayle R, Linear Models for Unbalanced Data, 2006. 2. Wei, Linear Models, 2005. 3. Simulation of Continues Additional : 1. Cassela, Statistical Inference, 2002. 2. Sumber belajar lainnya.


-

Ketepatan data sesuai dengan tugas masing-masing Ketepatan memodelkan data tersebut Ketepatan interpretasi dari analisis data Kelengkapan makalah Kedisiplinan Kerjasama tim Keaktifan Kemutakhiran bahan pustaka dan software Ketepatan data sesuai dengan tugas masing-masing Ketepatan memodelkan data tersebut Ketepatan interpretasi dari analisis data Kelengkapan makalah Kedisiplinan Kerjasama tim Keaktifan Kemutakhiran bahan pustaka dan software

(6) 1 2 3 4 1 2 3 3

1 2 3 3

19

9

Sem 7-4. Garis Besar Rencana Pembelajaran (GBRP)

Recommend Documents