Sem 5-4. Garis Besar Rencana Pembelajaran (GBRP) Nama Matakuliah Kode MK/SKS Semester Mata Kuliah Prasyarat Kompetensi Sasaran Kompetensi Utama
: : : : : :
Kompetensi Pendukung Kompetensi Lainnya Sasaran Belajar WAKTU MINGGU KE(1)
1
2
Analisis Data Kategorik 309H1203/3SKS Awal/5 (Tahun III) Metode Statistika, Komputasi Statistika
- Kemampuan dalam menganalisis data kategorik. - Kemampuan memodelkan dan menganalisis kasus dalam analisis data kategorik pada beberapa bidang aplikasi. : Kemampuan membuat laporan lengkap dan presentasi. : Kemampuan berkomunikasi dan bekerjasama, baik sebagai pimpinan maupun anggota, dari sebuah tim kerja. :
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 analisis data kategorik
Mampu menjelaskan analisis data kateorik, penggunaan, jenis dan mampu mengkategorikan data kuantitatif
Informasi, Kontrak Kuliah, Strategi Pembelajaran, dan Pelaksanaan Pre Tes
Konsep Analisis Data Kategorik, Alasan Penggunaan, Jenis-Jenis Analisis, Pengelolaan Data Kuantitatif ke Kualitatif
Kuliah + Diskusi
Kuliah + (Project Based)
-
Ketepatan menjelaskan alas an penggunaan analisis data kategorik Ketepatan mengkategorikan data kuantitatif Kedisiplinan dan keaktifan Kerjasama Tim Kemutakhiran bahan pustaka/soft
0,5 0,5 1 1 1
4
(1)
3
(2)
Mampu memahami dan membuat tabel kontingensi dua arah sekaligus melakukan uji perbandingan, uji odds ratio, dan mengaplikasikannya pada contoh riil
(3) Tabel Kontingensi Dua Arah, Uji Perbandingan Proporsi, Uji Odds Ratio, Hubungan Pengukuran, dan Contoh Riil
(4) Kuliah + (Coolaborative Learning)
4
5
Mampu memahami interval kepercayaan untuk sampel besar dengan pengujian eksak untuk sampel kecil pada tabel kontingensi tiga arah, serta mampu mengaplikasikannya pada contoh riil
-
Kuliah + (Project Based)
6
-
Interval Kepercayaan Untuk Sampel Besar pada Tabel Kontingensi Tiga Arah, Uji Eksak untuk Sampel Kecil, dan Contoh Riil
Konsep Dasar Generalized Linear Model, Regresi Logistik, Model Logit untuk Data Kategorik, dan Contoh
-
Tabel Kontingensi Tiga Arah, Distribusi Sampling, Uji Kelayakan Model, dan Uji Independensi.
Kuliah + (Project Based)
Memahami pengertian GLM, dan macam-macamnya. Memahami konsep regresi logistic mengenai model logit pada data kategorik
-
Kuliah + (Project Based) Mampu memahami dan membuat tabel kontingensi tiga arah, menyelesaikan distribusi sampling, uji kelayakan model dan uji independensi pada contoh riil
(5)
-
(6)
Ketepatan membuat tabel kontingensi dua arah berdasarkan data Ketepatan menghitung odds ratio setiap kategori Kedisiplinan dan keaktifan Kerjasama Tim Kemutakhiran bahan pustaka dan software
0,5
Ketepatan membut table kontingensi tiga arah berdasarkan data Ketepatan uji kelayakan model dan uji independi pada data Kedisiplinan dan keaktifan Kerjasama tim Kemutakhiran bahan pustaka dan software
0,5
Ketepatan membuat interval kepercayaan Ketepatan menghitung nilai odds ratio pada sampel kecil Kedisiplinan dan keaktifan Kerjasama tim Kemutakhiran bahan pustaka dan software Ketepatan mendefiniskan GLM dan regresi logistik Ketepatan penggunaan model logit pada logistik Kedisiplinan dan keaktifan Kerjasama tim Kemutakhiran bahan pustaka dan software
1 4,5 1 1 1
1 4,5 1 1 1 1 1 1
5
1 1 0,5 1 1 1 1
4,5
(1)
(2)
(3)
(4) Kuliah + (Project Based)
7
Memahami dan mampu mengestimasi parameter regresi logistic biner, dan model probit
8
-
Estimasi Parameter Regresi Logistik Biner, dan Model Probit, dan Contoh
Kuliah + (Project Based)
Memahami dan mampu mendiagnostik model dengan uji kecocokan dari model logistic, yang selanjutnya digunakan dalam memodelkan contoh riil
(5)
-
Diagnostik Model, Uji Kecocokan Model, Regresi Logistik Bersyarat, dan Contoh
-
9
Mampu mengerjakan dan menyelesaikan UTS mengenai konsep table kontingensi dan regresi logistik
Ujian Tengah Semester (UTS)
Mengerjakan Soal
-
10
Mampu memahami konsep log linear, model log linear pada dua dimensi, dan memberikan contoh data
Pengantar Log Linear, Model Log Linear untuk Dua Dimensi, dan Contoh
Kuliah+Small Group Discussion +Collaborative Learning+Problem Based Learning
-
Ketepatan estimasi parameter pada model regresi logistic biner Ketepatan mendefinisikan regresi probit Kedisiplinan dan keaktifan Kerjasama tim Kemutakhiran bahan pustaka dan software
(6) 1 1 1 1 1
Ketepatan mendiagnostik model Ketepatan melakukan uji kecocokan model regresi logistic Ketepatan analisis data dengan logistic biner Kedisiplinan dan keaktifan Kerjasama tim Kemutakhiran bahan pustaka dan software
0,5 0,5
Ketepatan membuat table kontingensi beserta analisisnya Ketepatan menghitung odds ratio Ketepatan estimasi parameter dalam regresi logistic Ketepatan analisis data secara lengkap dengan regresi biner
5
Ketepatan model log linear untuk dua dimensi Ketepatan memilih data sebagai contoh dan dianalisis Kedisiplinan dan keaktifan Kemutakhiran bahan pustaka dan software
0,5
5
1 5 1 1 1
5 20 5 5
1 1 1
3,5
(1)
(2)
(3)
(4) Kuliah + (Project Based)
11
Memahami struktur table dan model log linear untuk tiga dimensi, dan memberikan contoh data
12
Mengetahui syarat cukup dari model log linear, dan mampu mengestimasi jumlah harapan dalam model log linear
13
Memahami uji goodness of fit pada log linear, dan estimasi parameter model. Selanjutnya mampu menunjukkan dengan contoh
-
Struktur Tabel dan Model Log Linear untuk Tiga Dimensi juga Dimensi Tinggi beserta contoh
Syarat Cukup untuk Model Log Linear, dan Estimasi Jumlah Harapan dalam Log Linear
(5)
Kuliah + (Project Based)
-
Kuliah + (Project Based)
-
Uji Goodess of Fit, dan Estimasi Parameter Model Log Linear
Kuliah + (Project Based)
-
14
Memahami metode estimasi parameter log linear dengan proses iterasi maskimum likelihood, serta mengaplikasikan log linear pada data survival beserta contoh
Estimasi Parameter dengan Iterasi Maksimum Likelihood, dan Analisis Surival dengan Log Linear
-
(6)
Ketepatan membuat model log linear berdasarkan struktur table Ketepatan memilih data sebagai contoh dan dianalisis Kedisiplinan dan keaktifan Kerjasama tim Kemutakhiran bahan pustaka dan software
0,5
Ketepatan prosedur syarat cukup model log linear Ketepatan estimasi jumlah harapan Kedisiplinan Kerjasama tim Kemutakhiran bahan pustaka
0,5
Ketepatan prosedur uji goodness of fit Ketepatan mengestimasi parameter Kedisiplinan dan Keaktifan Kerjasama tim Kemutakhiran bahan pustaka dan software
0,5
Ketepatan estimasi parameter dengan proses iterasi Ketepatan analisis data survival dengan log linear Kedisiplinan dan keaktifan Kerjasama tim Kemutakhiran bahan pustaka dan software
1
0,5 1 1 1
1 1 1 1
1 1 1 1
4
4,5
4,5
1 1 1 1
5
(1)
(2)
(4)
(3)
(5) -
15
Mampu menggunakan software dalam menyelesaikan data kategorik dengan menggunakan Regresi Logistik dan Log Linear, yang seanjutnya mampu diinterpretasikan
Latihan Penggunaan Software untuk Regresi Logistik dan Log Linear
Kuliah+Small Group Discussion +Collaborative Learning+Problem Based Learning
-
16
Mampu menjawab dan menyelesaikan soal UAS
Ujian Akhir Semester (UAS)
Ujian
-
Referensi Utama : 1. Alan Agresti, 2002, "Categorical Data Analysis", John Wiley & Sons. 2. Conover, "Non Parametric Statistics”. 3. Hosmer & Lemeshow, “Applied Categorical Data Analysis", John Wiley & Sons. Additional : 1. Sumber belajar lainnya.
(6)
Ketepatan analisis data melalui software Ketepatan interpretasi hasil analisis data Kedisiplinan Kerjasama tim Keaktifan Kemutakhiran bahan pustaka dan software
1
Ketepatan membuat table kontingensi dalam log linear Ketepatan menghitung odds ratio Ketepatan estimasi parameter dalam log linear Ketepatan analisis data secara lengkap dengan log linear
5
1 1 1 1 1 1
6
5 20 5 5
