CAPAIAN PEMBELAJARAN (Learning outcome) : Mampu menganalisis data dengan metode statistika yang sesuai

Transkripsi

1 CAPAIAN PEMBELAJARAN (Learning outcome) : Mampu menganalisis data dengan metode statistika yang sesuai Penguasaan Pengetahuan 5.1 Mampu mengidentifikasi permasalahan multivariat 5.2 Mampu menerapkan konsep metode multivariat Kemampuan rja 5.3 Mampu menganalisis data dari permasalahan riil dengan metode multivariat menggunakan (SPSS dan MINITAB) 5.4 Mampu memilih metode multivariat yang sesuai untuk menyelesaikan permasalahan data multivariate dan menginterpretasikan hasilnya dengan tepat 5.5 Mampu menganalisis data dan mampu mengkomunikasikan hasilnya dengan baik Kemampuan Manajerial 5.6 Mampu mengelola lompok rja dan mengkomunikasikan hasilnya baik lisan maupun tertulis secara komprehensif; 5.7 Bertanggung jawab pada perjaan sendiri 5.8 Dapat diberi tanggung jawab atas pencapaian hasil rja lompok Sikap dan Tata Nilai 5.9 Etika profesi (termasuk menghargai temuan orisinal orang lain); menghargai pendapat orang lain; patuh pada aturan yang tertulis dan tidak tertulis serta berpikir cerdas, amanah dan kreatif. Pokok Bahasan : Pendahuluan, Review vektor dan matriks, konsep dasar analisis multivariat, data preprocessing, uji hipotesis vektor rata-rata satu dan dua populasi, manova, analisis komponen utama, analisis faktor, analisis diskriminan, analisis cluster dan metode-metode grafis (multidimensional scalling dan analisis korespondensi). Prasyarat : Telah mengikuti Pengantar Metoda Statistika dan nilai minimum D Telah mengikuti Matematika II dan nilai minimum D 69

2 Capaian Dapat menjelaskan apa yang akan dipelajari dalam seluruhan kuliah 2. Dapat menjelaskan konsep dasar analisis multivariat 3. Dapat menjelaskan konsep matriks yang sering dipakai dalam analisis multivariat Mengetahui langkahlangkah yang harus dilakukan atau menyiapkan data sebelum melakukan analisis menggunakan metode multivariate, yang meliputi deteksi missing value, outlier dan pemeriksaan Dapat menjelaskan konsep pengujian hipotesis vector rata-rata untuk satu dan dua populasi dari distribusi normal multivariat 1.1. Mengetahui penerapan metode multivariate di permasalahan riil 1.2. Dapat membedakan antara data univariat dan data multivariate 1.3. Mengetahui pengelompokan metode univariat dan metode multivariate 1.4. Mampu menghitung konsep matriks yang sering digunakan dalam analisis multivariate 2.1. Dapat mendeteksi missing value dan cara nya 2.2. Dapat mendeteksi data outlier baik secara univariate dan multivariate 2.3. Dapat melakukan uji : - normality ( univariat dan multivariate) - homoscedacity 3.1. Dapat menentukan, menghitung dan menginterpretasikan uji hipotesis vector rata-rata satu dan dua populasi normal multivariat 3.2. Dapat melakukan uji hipotesis vector rata-rata menggunakan serta menginterpretasikannya Pendahuluan: 1. Konsep dasar analisis multivariat 2. Aplikasi metode multivariate 3. Pengelompokan metode multivariat 4. Aljabar matriks dan vector random Data preprocessing: 1. Deteksi missing value dan cara 2. Deteksi outlier 3. Pemeriksaan dan cara Uji hipotesis vektor ratarata: 1. Untuk satu populasi 2. Untuk dua populasi [1] BAB 1 [2] BAB 1 [1] BAB 4 [2] BAB 2 [4] Modul 1, Diskusi (Modul 1) [1] BAB 5-6 Diskusi dan latihan soal (manual dan ) las Tes tulis las, Tugas, las, Tugas, 5% / 5% 10% / 15% 5% / 20% 70

3 Capaian Dapat menjelaskan konsep dan Dapat menjelaskan konsep PCA dan dapat menerapkan dalam 4.1 Dapat melakukan pemeriksaan dalam dan cara 4.2 Dapat melakukan analisis baik 5.1 Dapat melakukan pemeriksaan dalam PCA dan cara 5.2 Dapat melakukan analisis PCA baik 1. Pemeriksaan 2. One way 3. Interpretasil hasil analisis Principal Componen Analysis (PCA): 1. Aplikasi PCA di 2. Pemeriksaan PCA 3. PCA [1] BAB 5 [2] BAB 6 [3] BAB 11 [4] Modul 2 [1] BAB 8 [2] BAB 3 [3] BAB 4 [4] Modul 3 Diskusi, tes dan (Modul 2) (Modul 3) Tes tulis, Tugas, las, Tugas, 10% / 30% 5 / 35% Dapat menjelaskan konsep analisis faktor dan Dapat menjelaskan konsep analisis diskriminan dan dapat menerapkan dalam 6.1 Dapat melakukan pemeriksaan dalam analisis faktor dan cara 6.2 Dapat melakukan analisis factor baik 7.1 Dapat melakukan pemeriksaan dalam analisis diskriminan dan cara 7.2 Dapat melakukan analisis diskriminan baik secara manual maupun Analisis Faktor : 1. Konsep dasar dan aplikasi di problem riil 2. Pemeriksaan 3. Analsis factor dan interpretasi Analisis Diskriminan (klasifikasi biner) 1. Konsep dasar dan aplikasi di problem riil [1] BAB 9 [2] BAB 2 [3] BAB 5 [4] Modul 3 [1] BAB 11 [2] BAB 5 Diskusi, dan (Modul 3) Diskusi dan latihan soal Tugas, las, Tugas, 10% / 45% 10% / 60% 71

4 Capaian Dapat menjelaskan konsep analisis cluster dan menggunakan 2. Pemeriksaan 3. Estimasi model diskriminan dan interpretasi 8.1. Dapat melakukan analisis cluster baik 8.2. Dapat mengevaluasi hasil analisis cluster Analisis Cluster 1. Pendekatan hirarki 2. Pendekatan non hirarki 3. Evaluasi hasil analisis cluster [3] BAB 8 [4] Modul 4 [1] BAB 12 [2] BAB 8 [3] BAB 7 [4] Modul 5 (Modul 5) Tes tulis, Tugas, 10% / 70% Dapat menerapkan multidimensional scalling (MDS) dalam 9.1 Dapat melakukan analisis MDS menggunakan dan mengiterpretasikan hasilnya MDS 1. Konsep dasar MDS dan aplikasinya 2. MDS menggunakan [1] BAB 12 [2] BAB 9 Diskusi, dan (Modul 6) Tugas, 10%/ 80% Dapat menerapkan analisis korespondensi dalam Dapat menganalisis untuk 10.1 Dapat melakukan analisis korespondensi menggunakan piranti lunak dan mengiterpretasikan hasilnya 11.1 Dapat merumuskan permasalahan riil untuk dilakukan analisis MDS dan Analisis Korespondensi 1. Konsep dasar analisis korespondensi dan aplikasinya 2. Analisis korespondensi menggunakan Review multivariate secara [2]BAB 9 Diskusi, l dan (Modul 6) Tugas, [1] BAB 12 Problem based Tugas, 10%/90% 10%/100% 72

5 Capaian diselesaikan menggunakan analisis korespondensi dan MDS l analisis korespondensi menggunakan dan mengiterpretasikan hasilnya grafis: 1. MDS 2. Analisis Korespondensi [2] BAB 9 PUSTAKA UTAMA 1. Johnson, R.A and Wichern, D.W. Applied Multivariate Statistical Analysis. 6th Edition, Prentice Hall, New York Hair, J.F., Black, W.C., Babin, B.J., Anderson, R.E, Multivariate Data Analysis, 7th Edition, Prentice-Hall, UK Purnami, S.W. dan Akbar, M.S, Modul Praktikum Multivariat Terapan, 2012 PUSTAKA PENDUKUNG 1. Multivariate Analysis, K.V.Mardia, J.T. Kent and J.M. Bibby, Academic Press, 7th, Sarma, S.., Applied Multivariate Techniques, John Wiley