UNIVERSITAS AMIKOM YOGYAKARTA
FAKULTAS ILMU KOMPUTER S2
PROGRAM STUDI S2 INFORMATIKA

RPS-S2IF-MT101
RENCANA PEMBELAJARAN SEMESTER
MATA KULIAH (MK) KODE Rumpun MK BOBOT (sks) SEMESTER Tanggal Penyusunan
DATA SCIENCE MT101 Algorithmic Foundations (AL) T= 3 1 24 Jun 2026
Pengesahan Dosen Pengembang RPS Koordinator RMK Ka PRODI

Prof. Dr. Kusrini, S.Kom., M.Kom.
Robert Marco
Robert Marco, ST,. M.T., Ph.D.
Capaian Pembelajaran CPL-PRODI yang dibebankan pada MK
CPL01 Menjunjung sikap amanah, bertindak jujur dan berpegang teguh pada nilai moral serta etika akademik atas pekerjaan bidang TIK secara mandiri.
CPL03 Mampu menjelaskan permasalahan yang kompleks dalam ilmu pengetahuan dan teknologi melalui hasil analisa dan evaluasi baik inter atau multidisipliner sesuai keahliannya dalam bidang TIK.
CPL05 Mampu mengembangkan pemikiran logis, kritis, dan sistematis melalui penelitian ilmiah, penciptaan desain atau karya seni dalam ilmu pengetahuan dan teknologi berdasarkan kaidah, dan etika ilmiah bidang TIK.
CPL07 Mampu menganalisis dan merancang teknologi informasi berbasis kecerdasan artifisial yang tepat sesuai dengan problem yang dihadapi untuk mengimplementasikan pada bidang Digital transformation intelligence, Big Data and Predictive analytics atau intelligent multimedia technology.
Capaian Pembelajaran Mata Kuliah (CPMK)
CPMK02 Mampu bekerja sesuai etika akdemik dalam berkomunikasi baik lisan dan tulisan secara mandiri pada aspek teknis dan non-teknis.
CPMK05 Mampu menjelaskan permasalahan yang kompleks dalam ilmu pengetahuan dan teknologi bidang TIK.
CPMK09 Mampu mengembangkan pemikiran logis, kritis, dan sistematis melalui penelitian ilmiah sesuai dengan kebutuhan pengguna serta mampu meningkatkan efektivitas penggunaan komputer untuk memecahkan data dalam masalah tertentu.
CPMK14 Mampu mengimplementasikan teknologi informasi berbasis kecerdasan artifisial yang tepat pada bidang Digital transformation intelligence atau Big Data and Predictive analytics dan atau Intelligent Multimedia Technology.
Kemampuan akhir tiap tahapan belajar (Sub-CPMK)
sub.cpmk.MT101.CPMK02.1 Mahasiswa mampu menyusun skenario pengujian fungsionalitas serta performa model proyek data science secara kritis ke dalam dokumen laporan formal.
sub.cpmk.MT101.CPMK02.2 Mahasiswa mampu menjunjung etika akademik dalam mengonstruksi draf publikasi ilmiah sesuai standar pemeringkatan berkala nasional maupun internasional secara jujur.
sub.cpmk.MT101.CPMK05.1 Mahasiswa mampu menjelaskan perbedaan mendasar konsep data science, kecerdasan artifisial, dan data mining dalam menyelesaikan permasalahan teknologi informasi.
sub.cpmk.MT101.CPMK05.2 Mahasiswa mampu mengidentifikasi peluang pemanfaatan metode data science pada berbagai bidang industri digital transformation intelligence.
sub.cpmk.MT101.CPMK09.1 Mahasiswa mampu menganalisis kinerja algoritma klasifikasi dan estimasi menggunakan metrik evaluasi yang tepat untuk mengukur efektivitas pemecahan data.
sub.cpmk.MT101.CPMK09.2 Mahasiswa mampu mengevaluasi hasil pengelompokan data dan aturan asosiasi berdasarkan perhitungan indeks performa clustering serta association rule secara kritis.
sub.cpmk.MT101.CPMK09.3 Mahasiswa mampu menganalisis performa algoritma klasifikasi secara berkelompok melalui penyelesaian studi kasus komparatif dan evaluasi kuis mandiri.
sub.cpmk.MT101.CPMK09.4 Mahasiswa mampu menyelaraskan hasil temuan analisis prapemrosesan dan visualisasi data secara sistematis sebagai persiapan evaluasi tengah semester.
sub.cpmk.MT101.CPMK09.5 Mahasiswa mampu merumuskan ide proyek, kajian pustaka, dan kontribusi inovasi pemecahan data secara sistematis melalui peninjauan artikel ilmiah kelompok.
sub.cpmk.MT101.CPMK09.6 Mahasiswa mampu menguji fungsionalitas fitur inti sistem dan performa model data science secara kritis berdasarkan skenario pengujian terukur.
sub.cpmk.MT101.CPMK14.1 Mahasiswa mampu mengimplementasikan algoritma data science untuk menyelesaikan kasus pengujian model dan penyiapan data secara berkelompok.
sub.cpmk.MT101.CPMK14.2 Mahasiswa mampu mengonfigurasi model clustering dan association rule menggunakan pustaka pemrograman berbasis Python untuk memecahkan data berskala besar.
sub.cpmk.MT101.CPMK14.3 Mahasiswa mampu merancang diagram alir data (DFD) dan antarmuka pengguna (UI) sistem teknologi informasi berbasis kecerdasan artifisial secara terstruktur.
sub.cpmk.MT101.CPMK14.4 Mahasiswa mampu membangun satu fitur utama aplikasi data science yang terintegrasi dengan basis data untuk memproduksi luaran prediksi analitis.
Korelasi CPMK terhadap Sub-CPMK
CPMK05 sub.cpmk.MT101.CPMK05.1
sub.cpmk.MT101.CPMK05.2
CPMK09 sub.cpmk.MT101.CPMK09.1
sub.cpmk.MT101.CPMK09.2
sub.cpmk.MT101.CPMK09.3
sub.cpmk.MT101.CPMK09.4
sub.cpmk.MT101.CPMK09.5
sub.cpmk.MT101.CPMK09.6
CPMK14 sub.cpmk.MT101.CPMK14.1
sub.cpmk.MT101.CPMK14.2
sub.cpmk.MT101.CPMK14.3
sub.cpmk.MT101.CPMK14.4
CPMK02 sub.cpmk.MT101.CPMK02.1
sub.cpmk.MT101.CPMK02.2
Deskripsi Singkat MK Mata kuliah Data Science memberikan pemahaman fundamental mengenai siklus hidup data science (data science lifecycle) mulai dari tahap pengumpulan data, pembersihan data (data cleaning), eksplorasi data, hingga pemodelan dan penarikan kesimpulan. Mahasiswa akan mempelajari teknik dasar analisis statistika, rekayasa fitur (feature engineering), algoritma pembelajaran mesin (machine learning) supervisi dan nonsupervisi, serta teknik visualisasi data untuk mengomunikasikan temuan secara efektif. Melalui mata kuliah ini, mahasiswa dibekali kemampuan untuk mengekstrak pengetahuan (knowledge discovery) dari dataset terstruktur maupun tidak terstruktur guna mendukung proses pengambilan keputusan yang berbasis data.
Bahan Kajian : Materi Pembelajaran -Fondasi Data Science & Eksplorasi Analitik - Pemodelan Algoritma Prediktif & Metrik Evaluasi - Manajemen Dataset & Rekayasa Fitur Multimodal - Rekayasa Perangkat Lunak & Implementasi Sistem Data Science - Metodologi Penelitian & Publikasi Ilmiah Data Science
Pustaka Utama
  • 1. P. Mimboro, K. Kusrini and A. D. Laksito,
  • 2. Kumara Ari Yuana;Kusrini;Arief Setyanto;Arif Dwi Laksito;Zauvik Rizaldi Maruf;Muhammad Zuhdi Fikri Johari;Gardyas Bidari Adninda;Renindya Azizza Kartikakirana;Rhisa Aidilla Suprapto;Prasetyo Mimboro;Wiwi Widayani,
  • 3. Ecological Impact Assessment Framework for Areas affected by Natural Disasters by Kusrini Kusrini, Arief Setyanto, Gardyas Bidari Adninda, Renindya A Kartikakirana, Rhisa A Suprapto, Arif D Laksito and I Made A Agastya from AMIKOM, Andrea Majlingova and Yvonne Brodrechtova from TUZVO, Konstantinos Demestichas from AUA, Krishna Chandramouli and Ebroul Izquierdo from VTG for CBMI 2022 Conference in Graz, Austria, September 2022. File
Pendukung
  • 4. Kusrini, K*., Suputa, S., Setyanto, A., Agastya, I. M. A., Priantoro, H., Chandramouli, K., & Izquierdo, E. (2020). Data augmentation for automated pest classification in mango farms. Computers and Electronics in Agriculture, 179 doi:10.1016/j.compag.2020.105842. https://www.sciencedirect.com/science/article/pii/S0168169919320800. ;File
  • 5. Kusrini Kusrini*, Suputa Suputa, Arief Setyanto, I Made Artha Agastya, Herlambang Priantoro, Sofyan Pariyasto. (2022). A comparative study of mango fruit pest and disease recognition; TELKOMNIKA (Telecommunication, Computing, Electronics and Control). 20 (6). ISSN 1693-6930. Page 1264-1275, http://doi.org/10.12928/telkomnika.v20i6.21783, http://telkomnika.uad.ac.id/index.php/TELKOMNIKA/article/view/21783. ;File
  • 6. Kusrini et al.,
  • 7. Zhang, X., & Kusrini, K. (2021). Autonomous long-range drone detection system for critical infrastructure safety. Multimedia Tools and Applications, 80(15), 23723-23743. doi:10.1007/s11042-020-10231-x. https://link.springer.com/article/10.1007/s11042-020-10231-x. ;File
  • 8. Kusrini*, Yudianto, M. R. A., & Fatta, H. A. (2022). The effect of gaussian filter and data preprocessing on the classification of punakawan puppet images with the convolutional neural network algorithm. International Journal of Electrical and Computer Engineering, 12(4), ISSN 2088-8708. Page 3752-3761. http://doi.org/10.11591/ijece.v12i4.pp3752-3761. https://ijece.iaescore.com/index.php/IJECE/article/view/26812. ;File
  • 9. Kusrini*, K., Setyanto, A., Agastya, I. M. A., Hartatik, H., Chandramouli, K., & Izquierdo, E. (2022). A DEEP-LEARNING FRAMEWORK FOR ACCURATE AND ROBUST DETECTION OF ADULT CONTENT. Journal of Engineering Science and Technology, 17(3), ISSN 1823-4690. pp 2104-2119. https://jestec.taylors.edu.my/Vol%2017%20Issue%203%20June%202022/17_3_36.pdf. ;File
  • 10. Wati, V., Kusrini*, K., Al Fatta, H., & Kapoor, N. (2021). Security of facial biometric authentication for attendance system. Multimedia Tools and Applications, 80(15), 23625-23646. doi:10.1007/s11042-020-10246-4. https://link.springer.com/article/10.1007/s11042-020-10246-4. ;File
  • 11. Muktafin, E. H., & Kusrini, Pramono. (2021). Sentiments analysis of customer satisfaction in public services using K-nearest neighbors algorithm and natural language processing approach. Telkomnika (Telecommunication Computing Electronics and Control), 19(1), 146-154. doi:10.12928/TELKOMNIKA.V19I1.17417. http://telkomnika.uad.ac.id/index.php/TELKOMNIKA/article/view/17417. ;File
  • 12. W. Hidayat, M. Ardiansyah and K. Kusrini,
Dosen Pengampu Prof. Dr. Kusrini, S.Kom., M.Kom.
Mata Kuliah Syarat -
Pertemuan Ke Kemampuan akhir tiap tahapan belajar (Sub-CPMK) Penilaian Bentuk Pembelajaran; Metode Pembelajaran; Penugasan Mahasiswa; Materi Pembelajaran Bobot Penilaian
Indikator Kriteria & Teknik Luring Daring
1 sub.cpmk.MT101.CPMK05.1-Mahasiswa mampu menjelaskan perbedaan mendasar konsep data science, kecerdasan artifisial, dan data mining dalam menyelesaikan permasalahan teknologi informasi.
 Ketepatan mahasiswa dalam membedakan ruang lingkup fungsi analitis data science dengan sistem kecerdasan artifisial tradisional. Kriteria
Pemahaman Konsep
Teknik
Peninjauan keaktifan teks argumen pada forum diskusi interaktif LMS. 		Topik
Introduction to Data Science & Domain Knowledge.
Sub Topik
Kontrak pembelajaran PJJ Informatika, urgensi data science di kehidupan sehari-hari, serta hubungan posisi keilmuan antara sistem pakar, Machine Learning, JST, dan Data Mining.
 0
2 sub.cpmk.MT101.CPMK09.1-Mahasiswa mampu menganalisis kinerja algoritma klasifikasi dan estimasi menggunakan metrik evaluasi yang tepat untuk mengukur efektivitas pemecahan data.
 Ketepatan perhitungan matematis komponen matriks konfusi beserta metrik error regresi pada tugas ringkasan. Kriteria
Rubrik Analisis
Teknik
Pemeriksaan dokumen portofolio kompilasi rumus pemecahan data via berkas tugas PDF (RTM1a/RTM1b). 		Topik
Classification, Estimation Algorithms and Performance Metrics.
Sub Topik
Formulasi matematika algoritma K-NN, Pohon Keputusan C4.5, Regresi Linier, serta beda metrik evaluasi klasifikasi (Akurasi, Presisi, Recall, F1-Score) dengan estimasi (RMSE, MSE, MAE, MAPE).
 0
3 sub.cpmk.MT101.CPMK09.2-Mahasiswa mampu mengevaluasi hasil pengelompokan data dan aturan asosiasi berdasarkan perhitungan indeks performa clustering serta association rule secara kritis.
 Ketepatan penetapan nilai indeks Davies-Bouldin dan akurasi ekstraksi aturan asosiasi berkorelasi kuat pada kuis mandiri. Kriteria
Rubrik Analisis
Teknik
Kombinasi kuis objektif LMS otomatis (Kuis Clustering dan Asosiasi) secara mandiri dan lembar penugasan RTM1c. 		Topik
Clustering & Association Rules Evaluation.
Sub Topik
Mekanisme pengelompokan K-Means Clustering, penambangan aturan asosiasi menggunakan algoritma Apriori, perhitungan indeks performa internal melalui Davies-Bouldin Index (DBI) dan Silhouette Score, serta pengenalan dasar Python.
 0
4 sub.cpmk.MT101.CPMK09.3-Mahasiswa mampu menganalisis performa algoritma klasifikasi secara berkelompok melalui penyelesaian studi kasus komparatif dan evaluasi kuis mandiri.
 Ketepatan komputasi nilai akurasi, presisi, dan recall pada lembar kerja kasus klasifikasi yang diberikan. Kriteria
Rubrik Diskusi
Teknik
Kombinasi kuis LMS otomatis secara mandiri dan pemeriksaan berkas dokumen spreadsheet (Excel) hasil diskusi kelompok kelas (DS 1/DS 2/DS 3). 		Topik
Diskusi Klasifikasi dan Performance.
Sub Topik
Analisis komparasi algoritma klasifikasi, perhitungan metrik performa model, pengenalan RTM 2 sebagai pedoman Minggu 5-7, pengerjaan Kuis Pengujian Algoritma, dan perbaikan Kuis Klasifikasi mandiri (maksimal 60 menit dengan kesempatan mengulang).
 10
5 sub.cpmk.MT101.CPMK14.1-Mahasiswa mampu mengimplementasikan algoritma data science untuk menyelesaikan kasus pengujian model dan penyiapan data secara berkelompok.
 Ketepatan penentuan solusi kasus penyiapan data dan kebenaran hasil evaluasi performa model asosiasi/clustering. Kriteria
Rubrik Diskusi
Teknik
Pemeriksaan berkas dokumen hasil diskusi kelompok (DS1/DS2/DS3) yang diunggah di LMS. 		Topik
Kasus Pengujian Algoritma & Penyiapan Data.
Sub Topik
Penyelesaian studi kasus klasterisasi/asosiasi kelompok, perbaikan Kuis Clustering mandiri, utilisasi ringkasan sebagai modal analisis, dan penentuan visualisasi evaluasi DBI.
 0
6 sub.cpmk.MT101.CPMK14.2-Mahasiswa mampu mengonfigurasi model clustering dan association rule menggunakan pustaka pemrograman berbasis Python untuk memecahkan data berskala besar.
 Kesuksesan eksekusi library komputasi deskriptif pada Google Colab tanpa adanya eror sintaks pemrograman serta ketepatan pengerjaan manual di Excel. Kriteria
Rubrik Analisis
Teknik
Pemeriksaan berkas file unggahan tugas kelompok (.ipynb / .py / .xls / .pdf) sesuai kelas masing-masing. 		Topik
Diskusi Hasil Review Clustering, Dataset, dan Visualisasi.
Sub Topik
Review hasil komputasi pengelompokan data, pengantar pengolahan gambar input data science, rekayasa naskah dengan Python, dan uji aplikasi Document Similarity Checking Tool (DSCT) melalui alamat repositori riset.
 10
7 sub.cpmk.MT101.CPMK09.4-Mahasiswa mampu menyelaraskan hasil temuan analisis prapemrosesan dan visualisasi data secara sistematis sebagai persiapan evaluasi tengah semester.
 Keselarasan struktur slide materi presentasi kelompok dengan topik bahasan data science terdistribusi. Kriteria
Rubrik Kreativitas
Teknik
Evaluasi unjuk kerja langsung (Live presentation scoring) via unggahan Slide Presentasi di LMS. 		Topik
Sesi Sinkronisasi & Presentasi Capaian Pre-UTS.
Sub Topik
Aktivitas pemaparan slide materi tiap kelompok (Room 1 s.d Room 11), komparasi taksonomi data tekstual, citra, video, maupun data publik, serta pembekalan teknis pengerjaan soal UTS online tertutup sistem.
 0
8 sub.cpmk.MT101.CPMK09.1-Mahasiswa mampu menganalisis kinerja algoritma klasifikasi dan estimasi menggunakan metrik evaluasi yang tepat untuk mengukur efektivitas pemecahan data.
sub.cpmk.MT101.CPMK09.2-Mahasiswa mampu mengevaluasi hasil pengelompokan data dan aturan asosiasi berdasarkan perhitungan indeks performa clustering serta association rule secara kritis.
sub.cpmk.MT101.CPMK09.3-Mahasiswa mampu menganalisis performa algoritma klasifikasi secara berkelompok melalui penyelesaian studi kasus komparatif dan evaluasi kuis mandiri.
 Ketepatan mahasiswa dalam memecahkan studi kasus numerik, menurunkan formula algoritma data science, dan menginterpretasikan metrik performa model prediktif. Kriteria
Rubrik Makalah Analitis
Teknik
Tes tertulis berbasis esai komputerisasi atau kuis elektronik yang dikerjakan secara mandiri melalui sistem LMS (Open Book). 		Topik
Evaluasi Tengah Semester (UTS) Online.
Sub Topik
Pelaksanaan ujian terjadwal pada Hari Selasa, 19 Mei 2026, pengerjaan soal problem-solving data analitik secara mandiri dengan batas akhir pengerjaan sistem (closed gate) jam 23.59 WIB.
 30
9 sub.cpmk.MT101.CPMK05.2-Mahasiswa mampu mengidentifikasi peluang pemanfaatan metode data science pada berbagai bidang industri digital transformation intelligence.
 Kriteria

Teknik
 Topik
Perencanaan Project Data Science & Penyelesaian Presentasi Pra-UTS.
Sub Topik
Pembahasan pedoman kegiatan proyek melalui instrumen RTM 3, penyelesaian sisa agenda presentasi kelompok mahasiswa yang tertunda sebelum UTS, dan pemetaan daftar pembagian kelompok formal per kelas (DS1/DS2/DS3).
 0
10 sub.cpmk.MT101.CPMK09.5-Mahasiswa mampu merumuskan ide proyek, kajian pustaka, dan kontribusi inovasi pemecahan data secara sistematis melalui peninjauan artikel ilmiah kelompok.
 Kriteria

Teknik
 Topik
Project Ideation & Paper Review.
Sub Topik
Brainstorming ide proyek kelompok, metodologi review paper penunjang, penentuan kontribusi inovasi riset, dan pengenalan templat laporan formal.
 0
11 sub.cpmk.MT101.CPMK14.3-Mahasiswa mampu merancang diagram alir data (DFD) dan antarmuka pengguna (UI) sistem teknologi informasi berbasis kecerdasan artifisial secara terstruktur.
 Orisinalitas ide pemecahan masalah data dan ketepatan pemodelan proses transisi masukan menjadi luaran. Kriteria
Kesesuaian isi dan teknik presentasi
Teknik
Pemeriksaan berkas presentasi kelompok (Assignment submission). 		Topik
Pemeriksaan berkas presentasi kelompok (Assignment submission).
Sub Topik
Pemodelan proses (Input, Proses, Luaran data), pembuatan Data Flow Diagram (DFD), perancangan skema basis data, dan perancangan maket antarmuka (User Interface).
 0
12 sub.cpmk.MT101.CPMK14.4-Mahasiswa mampu membangun satu fitur utama aplikasi data science yang terintegrasi dengan basis data untuk memproduksi luaran prediksi analitis.
 Keberhasilan jalannya fungsi analisis data secara real-time menggunakan metode DS yang dipilih. Kriteria
Rubrik Kreativitas
Teknik
Uji unjuk kerja fungsionalitas produk melalui tautan demo visual. 		Topik
Diskusi Model dan Implementasi Aplikasi Data Science.
Sub Topik
Integrasi database/folder ke program, penulisan skrip algoritma data science inti di Google Colab, serta pembuatan visualisasi keluaran analitis sistem.
 10
13 sub.cpmk.MT101.CPMK09.6-Mahasiswa mampu menguji fungsionalitas fitur inti sistem dan performa model data science secara kritis berdasarkan skenario pengujian terukur.
 Kriteria

Teknik
 Topik
Pengujian Aplikasi Data Science.
Sub Topik
Teknik penyusunan skenario pengujian fungsionalitas perangkat lunak dan komputasi metrik performa model kecerdasan buatan (accuracy/error calculation).
 0
14 sub.cpmk.MT101.CPMK02.1-Mahasiswa mampu menyusun skenario pengujian fungsionalitas serta performa model proyek data science secara kritis ke dalam dokumen laporan formal.
 Kelogisan rancangan skenario uji fungsional, nilai performa komputatif model, dan kelengkapan bab pada dokumen laporan kelompok. Kriteria
Rubrik Kreativitas
Teknik
Evaluasi unjuk kerja portofolio artefak digital berupa berkas laporan kemajuan proyek dan kode hasil pengujian sistem. 		Topik
Pengujian Aplikasi & Penyusunan Laporan Proyek Data Science.
Sub Topik
Penjabaran fitur yang diharapkan, penyusunan skenario pengujian fungsionalitas fitur inti aplikasi, dokumentasi uji performa model, pengisian dokumen laporan sesuai format, serta penyusunan draf awal artikel menggunakan templat publikasi target.
 10
15 sub.cpmk.MT101.CPMK02.2-Mahasiswa mampu menjunjung etika akademik dalam mengonstruksi draf publikasi ilmiah sesuai standar pemeringkatan berkala nasional maupun internasional secara jujur.
 Kesesuaian draf publikasi dengan kriteria lingkup jurnal ilmiah serta keabsahan identitas instrumen pengisian metadata penulis. Kriteria
Rubrik Kreativitas
Teknik
Pemeriksaan berkas tertulis administratif draf naskah publikasi kelompok siap kirim (Submission readiness evaluation). 		Topik
Etika Publikasi Ilmiah & Penyesuaian Hasil Masukan Rekayasa Data.
Sub Topik
Dokumen laporan final berdasarkan umpan balik tutor, teknik penyusunan format manuskrip konferensi internasional (xxx) atau jurnal, pengecekan peringkat Sinta (1-6) dan Scimagojr, serta pemanfaatan peluang kolaborasi coauthorship bebas biaya penerbitan (Cambridge University Press, Springer, Elsevier, Wiley, ACM).
 0
16 sub.cpmk.MT101.CPMK05.1-Mahasiswa mampu menjelaskan perbedaan mendasar konsep data science, kecerdasan artifisial, dan data mining dalam menyelesaikan permasalahan teknologi informasi.
sub.cpmk.MT101.CPMK05.2-Mahasiswa mampu mengidentifikasi peluang pemanfaatan metode data science pada berbagai bidang industri digital transformation intelligence.
 Penilaian didasarkan pada tiga parameter kuantitatif, yaitu kualitas substansi tulisan (bobot 40%), tingkat peringkat reputasi penerbit target di Sinta/Scimagojr (bobot 30%), dan perkembangan tahapan korespondensi administrasi naskah (bobot 30%). Kriteria
Checklist Prosedur
Teknik
Menggunakan rubrik komparatif penilaian publikasi universitas dengan standar konversi angka capaian penerbit (Internasional = 100; Sinta 1-2 = 95; Sinta 3-4 = 90; Sinta 5-6 = 85; Non-Sinta = 80) beserta poin penambah akselerasi naskah (Submit = 80; Review = +10; Revisi = +5; LoA = +5). 		Topik
Evaluasi Akhir Semester (UAS) - Submission Portofolio Publikasi.
Sub Topik
Pengumpulan berkas wajib individu (Bukti submit paper kelompok bersama dosen/tutor, Berkas file draf paper dikirim, Identitas rangking media di Sinta/Scimagojr, dan Surat Pernyataan penyelesaian naskah) serta berkas tambahan pendukung (Bukti review, lembar revisi, atau LoA jika ada).
 30

Teknik Penilaian CPMK

CPL MK CPMK Tugas Teori (Kelompok) Unjuk Kerja (Presentasi) Tes Tulis (UTS) Quis Tes Tulis (UAS)
CPL01 DATA SCIENCE CPMK02 Y
CPL03 DATA SCIENCE CPMK05 Y
CPL05 DATA SCIENCE CPMK09 Y Y
CPL07 DATA SCIENCE CPMK14 Y Y

Prosedur Penilaian CPMK

1. Komponen Penilaian CPMK
CPL CPMK Sub-CPMK Detail Penugasan (Teknik Penilaian) Bobot % Kriteria Penilaian
CPL03 CPMK05 sub.cpmk.MT101.CPMK05.1 Peninjauan keaktifan teks argumen pada forum diskusi interaktif LMS. 0 Pemahaman Konsep
CPL05 CPMK09 sub.cpmk.MT101.CPMK09.1 Pemeriksaan dokumen portofolio kompilasi rumus pemecahan data via berkas tugas PDF (RTM1a/RTM1b). 0 Rubrik Analisis
CPL05 CPMK09 sub.cpmk.MT101.CPMK09.2 Kombinasi kuis objektif LMS otomatis (Kuis Clustering dan Asosiasi) secara mandiri dan lembar penugasan RTM1c. 0 Rubrik Analisis
CPL05 CPMK09 sub.cpmk.MT101.CPMK09.3 Kombinasi kuis LMS otomatis secara mandiri dan pemeriksaan berkas dokumen spreadsheet (Excel) hasil diskusi kelompok kelas (DS 1/DS 2/DS 3). 10 Rubrik Diskusi
CPL07 CPMK14 sub.cpmk.MT101.CPMK14.1 Pemeriksaan berkas dokumen hasil diskusi kelompok (DS1/DS2/DS3) yang diunggah di LMS. 0 Rubrik Diskusi
CPL07 CPMK14 sub.cpmk.MT101.CPMK14.2 Pemeriksaan berkas file unggahan tugas kelompok (.ipynb / .py / .xls / .pdf) sesuai kelas masing-masing. 10 Rubrik Analisis
CPL05 CPMK09 sub.cpmk.MT101.CPMK09.4 Evaluasi unjuk kerja langsung (Live presentation scoring) via unggahan Slide Presentasi di LMS. 0 Rubrik Kreativitas
CPL05 CPMK09 sub.cpmk.MT101.CPMK09.1, sub.cpmk.MT101.CPMK09.2, sub.cpmk.MT101.CPMK09.3 Tes tertulis berbasis esai komputerisasi atau kuis elektronik yang dikerjakan secara mandiri melalui sistem LMS (Open Book). 30 Rubrik Makalah Analitis
CPL03 CPMK05 sub.cpmk.MT101.CPMK05.2 0
CPL05 CPMK09 sub.cpmk.MT101.CPMK09.5 0
CPL07 CPMK14 sub.cpmk.MT101.CPMK14.3 Pemeriksaan berkas presentasi kelompok (Assignment submission). 0 Kesesuaian isi dan teknik presentasi
CPL07 CPMK14 sub.cpmk.MT101.CPMK14.4 Uji unjuk kerja fungsionalitas produk melalui tautan demo visual. 10 Rubrik Kreativitas
CPL05 CPMK09 sub.cpmk.MT101.CPMK09.6 0
CPL01 CPMK02 sub.cpmk.MT101.CPMK02.1 Evaluasi unjuk kerja portofolio artefak digital berupa berkas laporan kemajuan proyek dan kode hasil pengujian sistem. 10 Rubrik Kreativitas
CPL01 CPMK02 sub.cpmk.MT101.CPMK02.2 Pemeriksaan berkas tertulis administratif draf naskah publikasi kelompok siap kirim (Submission readiness evaluation). 0 Rubrik Kreativitas
CPL03 CPMK05 sub.cpmk.MT101.CPMK05.1, sub.cpmk.MT101.CPMK05.2 Menggunakan rubrik komparatif penilaian publikasi universitas dengan standar konversi angka capaian penerbit (Internasional = 100; Sinta 1-2 = 95; Sinta 3-4 = 90; Sinta 5-6 = 85; Non-Sinta = 80) beserta poin penambah akselerasi naskah (Submit = 80; Review = +10; Revisi = +5; LoA = +5). 30 Checklist Prosedur
Total 100
2. Penilaian CPMK
CPL MK CPMK Tugas Teori (Kelompok) Unjuk Kerja (Presentasi) Tes Tulis (UTS) Quis Tes Tulis (UAS) Total
CPL01 DATA SCIENCE CPMK02 0% 0% 10% 0% 0% 0% 10%
CPL03 DATA SCIENCE CPMK05 0% 0% 0% 0% 0% 30% 30%
CPL05 DATA SCIENCE CPMK09 0% 10% 0% 30% 0% 0% 40%
CPL07 DATA SCIENCE CPMK14 0% 0% 10% 0% 10% 0% 20%
100%