NAMA PERGURUAN TINGGI

:

STMIK IKMI CIREBON

NAMA JURUSAN

:

NAMA PROGRAM STUDI

:

Komputerisasi Akuntansi

RENCANA PEMBELAJARAN SEMESTER

MATA KULIAH

Kode MK

Rumpun MK

Bobot (sks)

Semester

Tgl. Penyusunan

Data Analytic Skills

MKK-0701

Mata Kuliah Umum

3

3

22 Juli 2024

OTORISASI

Dosen Pengembang RPS

Koordinator RMK

Ka. Prodi

(tanda tangan)

(tanda tangan)

(tanda tangan)

Ahmad Faqih, M.Sc

Ahmad Faqih, M.Sc.

.........(nama)...........

Capaian Pembelajaran

CPL-Prodi

S9

Menunjukkan sikap bertanggung jawab atas pekerjaan di bidang keahliannya secara mandiri.

P3

Mampu memformulasikan permasalahan di industri berdasarkan konsep yang terkait dengan bidang instrumentasi, akustik dan fisika bangunan, energy dan pengkondisian lingkungan, bahan, dan fotonik.

KU1

Mampu menerapkan pemikiran logis, kritis, sistematis dan inovatif dalam konteks pengembangan atau implementasi ilmu pengetahuan dan teknologi yang memperhatikan dan menerapkan nilai humaniora yang sesuai dengan bidang keahliannya.

KU2

Mampu menunjukkan kinerja mandiri, bermutu, dan terukur.

KU9

Mampu mendokumentasikan, menyimpan, mengamankan, dan menerapkan kembali data untuk menjamin kesahihan dan mencegah plagiasi.

KK4

Mampu merancang dan menjalankan penelitian dengan metodologi yang benar khususnya terkait dengan pengembangan bidang Teknik Fisika.

CP-MK

M1

Mahasiswa mengenal konsep data analytic

M2

Mahasiswa mengerti tentang analisa data

M3

Mahasiswa mengerti tipe-tipe data

M4

Mahasiswa mampu menganalisis data menggunakan  Bahasa Pemrograman R

M5

Mahasiswa mampu menggunakan Bahasa pemrograman R Untuk mengolah data matriks, list, data frame, factor, tabel

M6

Mahasiswa menyelesaikan masalah data analytic menggunakan R

M7

Mahasiswa menganalisa data menggunakan R

M8

Mahasiswa mengenal konsep data analytic

Deskripsi Singkat MK

Mata kuliah ini mempelajari tentang pengenalan R, pemahaman dan penggunaan konsep data science yang mencakup definisi data analytic menggunakan R, penyajian data, tipe data matriks, list, data frame, factor, tabel, kondisi pemilihan dan perulangan serta untuk dijadikan dasar dalam melakukan analisis data yang berkaitan dengan logika dalam kehidupan sehari-hari menggunakan R. Sebagian besar mata kuliah ini berupa latihan-latihan secara intensif guna meningkatkan kemampuan mahasiswa dalam mencari suatu solusi dalam permasalahan data analytic yang dihadapi menggunakan R. Mata kuliah ini bertujuan untuk membentuk perilaku mahasiswa berpola pikir logika dalam melakukan analisis data agar informasinya menjadi berkualitas.

Materi Pembelajaran/ Pokok bahasan

1

Perkenalan R

2

Dasar-dasar R

3

Pengantar Data Analytic

4

Dataset

5

Metodelogi Data Analytic

6

Analisis Estimasi

7

Analisis Clustering

8

Analisis Forecasting

Pustaka

Utama:

1

Beginning Data Science in R_ Data Analysis, Visualization, and Modelling for the Data Scientist

2

Practical Guide to Cluster Analysis in R. Unsupervised Machine Learning

Pendukung:

1

Belajar Bahasa Pemrograman R

Media Pembelajaran

Perangkat Lunak:

Perangkat Keras:

PPT

LCD dan Proyektor

RStudio

Tim Teaching

-

Mg ke-

Sub-CP-MK

Indikator

Kinerja & Bentuk Penilaian

Metode Pembelajaran [Estimasi Waktu]

Materi Pembelajaran [Pustaka]

Bobot Penilaian (%)

(sgb kemampuan akhir yg diharapkan)

1

1.1 Memperkenalkan ruang lingkup  mata kuliah data analytic

1.2 Memperkenalkan istilah-istilah dalam data analytic

1.3 Mendownload dan menginstall R

 1.4 Memperkenalkan lingkungan R tentang R Notebook

• Ketepatan mengenali ruang lingkup mata kuliah data analytic dengan R
• Ketepatan menjelaskan istilah dan konsep dasar data analytic dengan R
• Ketepatan mendownload dan menginstall R Studio
• Ketepatan menulis kode R dalam R Notebook

Kriteria :

Ketepatan dan penguasaan pendahuluan data analytic

Bentuk non-test :

• Diskusi

Bentuk test :

• Latihan problem solving

• Ceramah, pembelajaran berbasis masalah, diskusi, dan e – learning [TM: 3x50”]
• Tugas : menyediakan buku utama dan pendukung [BT+BM: (1+1)x(3x60”)]

• Ruang lingkup data analytic
• RStudio

5

2

Memahami peran utama data analytic

• Ketepatan memahami peran utama data analytic

Kriteria :

Pemahaman peran utama data analytic

Bentuk non-test :

• Diskusi

Bentuk test :

Latihan problem solving

• Ceramah, pembelajaran berbasis masalah, diskusi, dan e – learning [TM: 3x50”]
• Tugas : menyelesaikan problem terkait dengan peran data analytic [BT+BM: (1+1)x(3x60”)]

Peran utama data analytic

• Estimasi
• Forecasting
• Klasifikasi
• Klustering
• Asosiasi

5

3

Memahami dataset

• Ketepatan memahami dataset

Kriteria :

Pemahaman dataset

Bentuk non-test :

• Diskusi

Bentuk test :

Latihan problem solving

• Ceramah, pembelajaran berbasis masalah, diskusi, dan e – learning [TM: 3x50”]
• Tugas : menyelesaikan problem terkait dengan dataset [BT+BM: (1+1)x(3x60”)]

Dataset

• Jenis
• Atribut
• Label

5

4

4.1 Memahami berbagai metodelogi data analytic

4.2 Mengetahui perbedaan berbagai metodelogi data analytic

4.3 Mengimplementasikan berbagai metodelogi data analytic

• Ketepatan memahami metodelogi
• Ketepatan menguraikan perbedaan beberapa metodelogi
• Ketepatan mengimplementasikan berberapa metodelogi

Kriteria :

Pemahaman, pengetahuan, dan pengaplikasian beberapa metodelogi data analytic

Bentuk non-test :

• Diskusi
• Tanya jawab

Bentuk test :

Latihan problem solving

• Ceramah, pembelajaran berbasis masalah, diskusi, dan e – learning [TM: 3x50”]
• Tugas : menyelesaikan problem terkait dengan metodelogi [BT+BM: (1+1)x(3x60”)]

Metodelogi Data Analytic

• KDD
• CRISP-DM

5

5

5.1 Dasar-dasar vektor dalam R

5.2 Fungsi dasar dalam R

5.3 Memahami operator dalam R

1. 4. Memahami list dalam R

• Ketepatan memahami dasar-dasar R
• Ketepatan memahami Vektor
• Ketepatan menuliskan vektor
• Ketepatan mengoperasikan vektor
• Ketepatan memahami fungsi dasar dalam R
• Ketepatan memahami operator dalam R
• Ketepatan memahami list dalam R

Kriteria :

Pemahaman, pengetahuan, dan pengaplikasian vektor, fungsi dasar, operator, dan list dalam R

Bentuk non-test :

• Diskusi
• Tanya jawab

Bentuk test :

Latihan problem solving

• Ceramah, pembelajaran berbasis masalah, diskusi, dan e – learning [TM: 3x50”]
• Tugas : menyelesaikan problem terkait dengan dasar – dasar dalam R (vektor, fungsi dasar, operator, dan list) [BT+BM: (1+1)x(3x60”)]

Dasar – dasar dalam R

• Vektor
• Fungsi Dasar
• Operator
• List

5

6

6.1 Mengenal data frame dalam R

6.2 Memahami factor dalam R

6.3 Memahami tentang matriks dalam R

• Ketepatan R mengidentifikasi data frame dalam R
• Ketepatan memahami faktor
• Ketepatan memahami matriks

Kriteria :

Pemahaman, pengetahuan, dan pengaplikasian data frame, factor, dan matriks dalam R

Bentuk non-test :

• Diskusi
• Tanya jawab

Bentuk test :

Latihan problem solving

• Ceramah, pembelajaran berbasis masalah, diskusi, dan e – learning [TM: 3x50”]
• Tugas : menyelesaikan problem terkait dengan dasar – dasar dalam R (data frame, factor, dan matriks) [BT+BM: (1+1)x(3x60”)]

Dasar – dasar dalam R

• Data Frame
• Factor
• Matriks

5

7

7.1 Memahami konsep pengulangan For-do dan kondisi If dalam R

7.2 Membuat fungsi dalam R

7.3 Import dan export CSV dan Excel dalam R

• Ketepatan R memahami perulangan for-do dan kondisi if
• Ketepatan membuat fungsi
• Ketepatan memahami matriks mengimport dan mengekspor data

Kriteria :

Pemahaman, pengetahuan, dan pengaplikasian for-do, if, fungsi, import dan export dalam R

Bentuk non-test :

• Diskusi
• Tanya jawab

Bentuk test :

Latihan problem solving

• Ceramah, pembelajaran berbasis masalah, diskusi, dan e – learning [TM: 3x50”]
• Tugas : menyelesaikan problem terkait dengan for-do, if, fungsi, import dan export [BT+BM: (1+1)x(3x60”)]

• Perulangan for-do dan kondisi if
• Fungsi
• Import dan Export

5

UTS

8

Mengaplikasikan analisis estimasi (regresi linear sederhana)

• Ketepatan R mengaplikasikan estimasi regresi linear sederhana

Kriteria :

pengaplikasian regresi linear sederhana untuk estimasi

Bentuk non-test :

• Diskusi
• Tanya jawab

Bentuk test :

Latihan problem solving

• Ceramah, pembelajaran berbasis masalah, diskusi, dan e – learning [TM: 3x50”]
• Tugas : menyelesaikan problem terkait dengan penerapan regresi linear sederhana untuk estimasi [BT+BM: (1+1)x(3x60”)]

Analisis Estimasi

• Regresi Linear Sederhana

5

9

Mengaplikasikan analisis estimasi (regresi linear berganda)

• Ketepatan R mengaplikasikan estimasi regresi linear berganda

Kriteria :

pengaplikasian regresi linear berganda untuk estimasi

Bentuk non-test :

• Diskusi
• Tanya jawab

Bentuk test :

Latihan problem solving

• Ceramah, pembelajaran berbasis masalah, diskusi, dan e – learning [TM: 3x50”]
• Tugas : menyelesaikan problem terkait dengan penerapan regresi linear berganda untuk estimasi [BT+BM: (1+1)x(3x60”)]

Analisis Estimasi

• Regresi Linear berganda

10

10

Mengaplikasikan analisis estimasi (regresi linear) bidang keuangan atau akuntansi

• Ketepatan R mengaplikasikan estimasi regresi linear bidang keuangan atau akuntansi

Kriteria :

pengaplikasian regresi linear untuk estimasi dataset bidang keuangan atau akuntansi

Bentuk non-test :

• Diskusi
• Tanya jawab

Bentuk test :

Latihan problem solving

• Ceramah, pembelajaran berbasis masalah, diskusi, dan e – learning [TM: 3x50”]
• Tugas : menyelesaikan problem terkait dengan penerapan regresi linear untuk estimasi dataset bidang keuangan atau akuntansi [BT+BM: (1+1)x(3x60”)]

Analisis Estimasi

• Regresi Linear Berganda
• Regresi Linear berganda
• Dataset Bidang Keuangan atau akuntansi

10

11

Mengaplikasikan analisis ckustering (K-Mean)

• Ketepatan R mengaplikasikan K-Mean dalam analisis clustering

Kriteria :

pengaplikasian K-Mean untuk cluster

Bentuk non-test :

• Diskusi
• Tanya jawab

Bentuk test :

Latihan problem solving

• Ceramah, pembelajaran berbasis masalah, diskusi, dan e – learning [TM: 3x50”]
• Tugas : menyelesaikan        problem terkait dengan penerapan K-Mean untuk cluster [BT+BM: (1+1)x(3x60”)]

Analisis Clustering

• K-Means

10

12

Mengaplikasikan analisis ckustering (K-Mean) dalam bidang keuangan atau akuntansi

• Ketepatan R mengaplikasikan K-Mean dalam analisis clustering bidang keuangan atau akuntansi

Kriteria :

pengaplikasian K-Mean untuk cluster dataset bidang keuangan atau akuntansi

Bentuk non-test :

• Diskusi
• Tanya jawab

Bentuk test :

Latihan problem solving

• Ceramah, pembelajaran berbasis masalah, diskusi, dan e – learning [TM: 3x50”]
• Tugas : menyelesaikan problem terkait dengan penerapan K-Mean untuk cluster dataset dalam bidang keuangan atau akuntansi [BT+BM: (1+1)x(3x60”)]

Analisis Clustering

• K-Means
• Dataset Bidang Keuangan atau akuntansi

10

13

Mengaplikasikan analisis forecasting (regresi linear sederhana dan regresi trend parabola)

• Ketepatan R mengaplikasikan regresi linear sederhana dan regresi trend parabola dalam analisis forecasting

Kriteria :

pengaplikasian regresi linear sederhana dan regresi trend parabola untuk forecasting

Bentuk non-test :

• Diskusi
• Tanya jawab

Bentuk test :

Latihan problem solving

• Ceramah, pembelajaran berbasis masalah, diskusi, dan e – learning [TM: 3x50”]
• Tugas : menyelesaikan problem terkait dengan penerapan regresi linear sederhana dan regresi trend parabola untuk forecasting [BT+BM: (1+1)x(3x60”)]

Analisis Forecasting

• Regresi Linear Sederhana
• Regresi Trend Parabola

10

14

Mengaplikasikan analisis forecasting (regresi linear sederhana dan regresi trend parabola) bidang keuangan atau akuntansi

• Ketepatan R mengaplikasikan regresi linear sederhana dan regresi trend parabola dalam analisis forecasting bidang keuangan atau akuntansi

Kriteria :

pengaplikasian regresi linear sederhana dan regresi trend parabola untuk forecasting dataset bidang keuangan atau akuntansi

Bentuk non-test :

• Diskusi
• Tanya jawab

Bentuk test :

Latihan problem solving

• Ceramah, pembelajaran berbasis masalah, diskusi, dan e – learning [TM: 3x50”]
• Tugas : menyelesaikan problem terkait dengan penerapan regresi linear sederhana dan regresi trend parabola untuk forecasting  dataset bidang keuangan atau akuntansi [BT+BM: (1+1)x(3x60”)]

Analisis Forecasting

• Regresi Linear Sederhana
• Regresi Trend Parabola
• Dataset Bidang Keuangan atau akuntansi

10

UAS

Catatan :

(1)

TM: Tatap Muka, BT: Belajar Terstruktur, BM: Belajar Mandiri;

(2)

[TM: 2x(2x50'')] dibaca: kuliah tatap muka 2 kali (minggu) x 2 sks x 50 menit = 200 menit (3,33 jam);

(3)

[BT + BM: (2+2)x(2x60'')] dibaca: belajar terstruktur 2 kali (minggu) dan belajar mandiri 2 kali (minggu) x 2 sks x 60 menit = 480 menit (8 jam);

(4)

Mahasiswa mampu merancang penelitian dalam bentuk proposal penelitian & mempresentasikannya [C6, A2, P2]: menunjukkan bahwa Sub-CPMK ini mengandung kemampuan dalam ranah taksonomi kognitif level 2 (kemampuan merancang), afeksi level 2 (kemampuan merespon dalam diskusi), dan psikomotorik level 2 (memanipulasi gerakan tubuh dalam keterampilan presentasi).

(5)

Penulisan daftar Pustaka disarankan menggunakan salah satu standar/ style penulisan pustaka internasional, dalam contoh ini menggunakan style APA;

(6)

RPS: Rencana Pembelajaran Semester, RMK: Rumpun mata Kuliah, PRODI: Program Studi.