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

Transkripsi

1 Sem 7-. Garis Besar Rencana Pembelajaran (GBRP) Nama Matakuliah Kode MK/SKS Semester Mata Kuliah Prasyarat : Pemodelan Statistika : H0/SKS : Awal/7 (Tahun IV) : Metode Statistika, Teori Peluang, Ilmu Stokastik, Statistika Matematika, Perancangan Percobaan, Analisis Regresi, Analisis Runtun Waktu, Analisis Data Kategorik, Komputasi Statistika Kompetensi Sasaran : Kompetensi Utama : - Kemampuan dalam mendefinisikan beberapa model. Kompetensi Pendukung Kompetensi Lainnya Sasaran Belajar : WAKTU MINGGU KE- () SASARAN PEMBELAJARAN () - 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. MATERI PEMBELAJARAN () BENTUK PEMBELAJARAN () INDIKATOR PENILAIAN () BOBOT NILAI (%) (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 Informasi, Kontrak Kuliah, Strategi Pembelajaran, dan Pelaksanaan Pre Tes Kuliah + Diskusi Mampu menjelaskan konsep dasar pemodelan, dan memberikan contoh-contoh sederhana perbedaan antara deterministic dengan Konsep Dasar Pemodelan Statistik meliputi Prinsip Pemodelan, Langkah- Langkah Pemodelan, Perkembangan Model, Metode Estimasi, dan Diagnosis Model +Contextual Instruction+ Cooperative Learning+ Collaborative Learning - Ketepatan menjelaskan konsep dengan contoh - Ketepatan menjelaskan perkembangan model dan asumsi setiap model - Kemutakhiran bahan pustaka

2 () () () () () (6) Mampu menyelesaikan aljabar matriks secara teori yang digunakan dalam pemodelan statistik dan mampu mengoperasikan matriks dalam Aljabar Matriks: Teori Matriks dan Aplikasi Software untuk Matriks Kuliah + (Coolaborative Learning) - Ketepatan menyelesaikan soal aljabar matriks - Ketepatan mengoperasikan dalam operasi matriks 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 lainnya Model Linear Normal dalam Model Regresi Linear Sederhana dan Model Regresi Berganda parameter dengan metode OLS parameter dengan metode MLE riil ke dalam konsep regresi dengan manual Excel dan 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 lainnya Model Linear dalam Perancangan Percobaan RAL, RAK, dan Rancangan Faktorial parameter - Ketepatan menyelesaikan analisis varians pada dengan manual Excel dan Software - Ketepatan membuat model linear dari berbagai perancangan 6 Memahami ukuran-ukuran pelanggaran asumsi model linear dan mampu mengatasi pelanggaran, selanjutnya mengaplikasikan pada contoh riil melalui Metode Dasar Mengatasi Pelanggaran Asumsi dalam Model Linear; Transformasi - Ketepatan mendeteksi terjadinya pelanggaran asumsi pada - Ketepatan mengatasi pelanggaran asumsi yang terjadi pada

3 () () () () () (6) 7 Memahami konsep mendasar model linear tergeneralisasi, alasan penggunan, fungsi distribusi keluarga eksponensial dan proses estimasi parameter Konsep Dasar Model Linear Tergeneralisasi, Fungsi Distribusi Keluarga Eksponensial, Jenis-Jenis Model Linear Tergeneralisasi, dan Estimasi Parameter - Ketepatan estimasi parameter pada model linear tergeneralisasi berdasarkan asumsi fungsi distribusi dari soal 8 Memahami dan mampu memodelkan dengan pendekatan Model Linear Tergeneralisasi melalui tahapan pemodelan Sifat-Sifat Penaksir pada Model Linear Tergeneralisasi, Uji Kecocokan Model, Uji Devians, serta Aplikasi pada Contoh Riil dengan Software riil dengan model linear tergeneralisasi berdasarkan urutan langkah pemodelan Mampu menyelesaikan Project dalam bentuk makalah, yaitu mencari riil yang dibagi dalam beberapa bidang yang akan dianalisis ke dalam model berdasarkan asumsi dan kondisi riil yang diperoleh dan mempresentasikannya Project I: Presentasi 0 Mampu menyelesaikan Project dalam bentuk makalah, yaitu mencari riil yang dibagi dalam beberapa bidang yang akan dianalisis ke dalam model berdasarkan asumsi dan kondisi riil yang diperoleh dan mempresentasikannya Project I: Presentasi

4 () () () () () (6) 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 - Ketepatan bentuk fungsi GEE - Ketepatan menyeleaikan bentuk model marginal dan quasi likelihood Memahami langkah dan hasil estimasi parameter model GEE, dan mampu menyelesaikan dengan model GEE melalui bantuan Estimasi Parameter dengan Quasi Likelihood, Generalisasi GEE, dan contoh aplikasi - Ketepatan estimasi parameter dalam GEE dengan pendekatan GEE - Kemutakhiran bahan pustaka Memahami pengertian dan tujuan simulasi, jenis, langkah dalam simulasi, serta melakukan simulasi pada Pengantar Simulasi dalam Pemodelan Statistika, Pembangkitan Bilangan Acak dan Pembangkitan Data dari Distribusi Tertentu - Ketepatan membuat simulasi sederhana dalam - Kemutakhiran Memahami langkah simulasi melalui transformasi langsung dan mampu mensimulasi dengan transformasi melalui Simulasi Data Melalui Transformasi Langsung - Ketepatan membuat simulasi dari transformasi langsung dengan - Kemutakhiran

5 () () () () () (6) Mampu menyelesaikan Project dalam bentuk makalah, yaitu membuat simulasi di beberapa dan mempresentasikannya Project : Presentasi 6 Mampu menyelesaikan Project dalam bentuk makalah, yaitu membuat simulasi di beberapa dan mempresentasikannya Project : Presentasi Referensi Utama :. Searle, Shayle R, Linear Models for Unbalanced Data, Wei, Linear Models, 00.. Simulation of Continues Additional :. Cassela, Statistical Inference, 00.. Sumber belajar lainnya.