RENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA

Transkripsi

1 RENCANA PEMBELAJARAN SEMESTER (RPS) PROGRAM STUDI STATISTIKA A. MATA KULIAH Nama Mata Kuliah : Pemrograman Linier Kode/ss : MAS 4141/3 Semester : III Status (Wajib/Pilihan) : Wajib (W) Prasyarat : MAS 4211 (Matris Ruang Vetor) MAS 4130 (Pengantar Ilmu Eonomi Nama Dosen Pengampu : B. TUJUAN PEMBELAJARAN i Mahasis mampu merumusan model pemrogranan linier ii Mahasis mampu mengapliasian prinsip program linier iii Mahasis mampu mengartian untu pengambilan eputusan C. CAPAIAN PEMBELAJARAN Setelah menempuh mata uliah ini diharapan dapat : Parameter Desripsi Rincian Desripsi KK KK2 (3) Mampu memilih metode analisis secara tepat menerapannya pada asus terapan di big eonomi (4) Mampu mengoperasian minimal dua perangat luna statistia, mengartian luarannya. KK3 (1) Menari esimpulan dari hasil analisis secara sahih (2) Menyajian hasil bai secara lisan maupun tertulis seusai aidah ilmiah P P1 (2) Mampu memahami ilmu eonomi (3) Mampu mengidentifiasi masalah memilih metode analisis P2 yang tepat (1) Menguasai minimal dua perangat luna statistia, termasu yang berbasis open source KU KU1 Mampu menerapan pemiiran logis, ritis, siss, inov dalam ontes pengembangan atau implementasi ilmupengetahuan tenologi yang memperhatian menerapan nilai humaniora yang sesuai dengan big eahliannya KU2 KU3 KU6 Mampu menunjuan inerja mandiri, bermutu, teruur Mampu mengaji impliasi pengembangan atau implementasi ilmupengetahuan tenologi yang memperhatian menerapan nilai humaniora sesuai dengan eahliannya berdasaran aidah, tata cara etia ilmiah dalam ranga menghasilan solusi, Mampu memelihara mengembangan jaringan erja dengan

2 pembimbing, olega, sejat bai di dalam maupun di luar lembaganya SK SK 7 Taat huum disiplin dalam ehidupan bermasyaraat bernegara; SK 8 SK 9 KK = Ketrampilan Khusus P = Pengetahuan KU = Ketrampilan Umum S = Siap Menginternalisasi nilai, norma, etia aademi Menunjuan siap bertanggungjab atas peerjaan di big eahliannya secara mandiri

3 D. RENCANA PEMBELAJARAN Mgg I Bahan Kajian Pendahulu an Sub Bahan Kajian Kontra uliah Contoh Pemrograma n Linier Formulasi Kuliah (*) tif Integr Bentu Pembelajaran Respon Semina Pratiu si r/prese m (*) tutorial ntasi(*) (*) Desripsi Tugas Desripsi Pratium Kemampuan ahir (**) SK7 SK8 II Penentuan Solusi Pemrogra man Linier secara grafis Pemodelan dengan dua variabel solusi secara grafis pada asus masimisasi solusi secara grafis pada asus minimisasi tif, III Kasusasus Khusus Pemrogra man Linier Kasus dengan multiple solutions Kasus tif, Holisti, efetif

4 IV V Evaluasi Solusi Pemrogra man Linier Dengan Metode Simples Solusi Pemrogra dengan unbounded solution Kasus dengan no feasible solution Kuis dengan materi yang diberian di minggu I III bentu standar Beberapa definisi teorema (daerah feasibel, corner solution) Algoritma Contoh terapan penggunaan softre untu penentuan solusi Metode I Metode II Konte stual tif, tif, Holisti, efetif Holisti, efetif KU1 KU2 KK24 P21 KU1

5 VI man Linier pada asus Minimize dengan Metode Simples Metode Simples dalam Notasi Matris Metode Big M Definisi notasi Solusi Contoh latihan soal tif, Holisti, efetif KU1 VII X Analisis Sensitifita s secara grafis Analisis Sensitifita s oefisien fungsi obyetif etersediaan sumber daya (ruas anan rhs) Konsep harga bayangan (Shadow Price) oefisien fungsi obyetif dari peubah NBV tif, Holisti, efetif Minggu VIII IX UTS Terjadl dari Faultas Holisti tif,, efetif P21

6 XI XII Analisis Sensitifita s Permasala han Dual oefisien fungsi obyetif peubah BV etersediaan sumber daya (ruas anan rhs) olom NBV Penambahan ativitas (peubah) baru Penambahan endala baru Menentuan dual dari suatu pemrograma n linier Konsep teorema dual solusi dari permasalahan dual XIII Evaluasi Kuis (materi setelah uis sampai dengan tif, tif, Konte stual Holisti, efetif Holisti, efetif Holisti, efetif Pendistribusian tugas elompo tentang contohcontoh terapan yang menggunaan pemrograman linier untu dipresentasian di dua minggu terahir

7 metode XII) SK7 SK8 SK9 XIV Metode Dual Simples Model Transporta si Algoritma Menentuan solusi optimal baru setelah penambahan endala baru dari pemrograma n linier Menentuan solusi optimal baru setelah perubahan rhs dari pemrograma n linier Mencari solusi dari permasalahan minimasasi (normal) Model transportasi solusi al (Northwest Corner, Min tif, tif,

8 XV XVI Prensentas i tugas per elompo Cost Vogel) Metode simples untu transportasi Kolab or, onte stual Tugas elompo tentang contohcontoh terapan yang menggunaan pemrograman linier untu dipresentasian di dua minggu terahir (*) Metode pembelajaran pada setiap bentu pembelajaran mengacu pada pasal 14.3 permen NOMOR 49 TAHUN 2014 (**) Mengacu pada capaian pembelajaran *** contoh lihat di arateristi pembelajaran. Pasal 11 SNPT KK24 KK32 P21 KU1 KU2 KU3 KU6 SK7 SK8 SK9 E. SISTIM PENILAIAN No Indiator Penilain Bobot Penilaian

9 1. Keatifan di elas 5% 2. Responsi 10% 3. Pratium - 4. Kuis 10% 5. Tugas/Presentasi 15% 6. UTS 30% 7 UAS 30% Jumlah 100% Note: Bobot nilai tugas (presentasi, responsi) minimal 27% Bobot nilai pratium sesuai bobot ss Nilai ahir : menggunaan standar penilaian F. Daftar Referensi Kisaran Nilai B B C C D D 45 E Kriteria (Huruf Mutu) A 1. Agresti, A Categorical Data Analysis. John Wiley & Sons, New Yor. 2. Finsberg, S.E The Analysis of Cross-Classified Categorical Data. The Mussachusetts Institute of Technology, London 3. Hosmer, D. W, and Lemeshow, S Applied Logistic Regression John Wiley & Sons, New Yor.

10 G. Assesmen Hasil Belajar Dilauan oleh Ketua KBI selau penjamin mutu, melalui proses evaluasi tentang esesuaian antara rencana realisasi proses pembelajaran, esesuaian soal ujian materi, esesuaian sistem indiator penilaian. H. Penanggung Jab Kualitas Proses Pengajaran Mata Kuliah Ketua Program Studi bertinda sebagai penanggung jab ualitas proses pengajaran mata uliah.