Universitas Negeri Surabaya
Fakultas Matematika dan Ilmu Pengetahuan Alam
Program Studi S1 Sains Data
Kode
Dokumen
RENCANA PEMBELAJARAN SEMESTER
MATA KULIAH (MK) KODE Rumpun MK BOBOT (sks) SEMESTER Tgl
Penyusunan
Analisis Multivariat 4920203063 Mata Kuliah Wajib
Program Studi
T=3P=0ECTS=4.77 4 22
September
2024
OTORISASI Pengembang RPS Koordinator RMK Koordinator Program Studi
Ulfa Siti Nuraini, Riskyana Dewi Intan
Puspitasari, M.Kom
Dr. Atik Wintarti, M.Kom Yuliani Puji Astuti, S.Si., M.Si.
Model
Pembelajaran
Project Based Learning
Capaian
Pembelajaran
(CP)
CPL-PRODI yang dibebankan pada MK
CPL-8 Bekerja sama dan memiliki kepekaan sosial serta membawa perubahan terhadap lingkungannya
CPL-11 Mampu mengimplementasikan teknologi sains data dalam permasalahan nyata
CPL-12 Mampu merancang dan mengembangkan algoritma untuk berbagai keperluan seperti analisis big data, kecerdasan
artifisial, basis data, penambangan data, statistika inferensial, desain dan analisis algoritma, dan data warehouse.
CPL-17 Menguasai teori matematika dan statistika yang berkaitan dengan sains data
Capaian Pembelajaran Mata Kuliah (CPMK)
CPMK - 1 Mahasiswa memahami konsep statistika multivariat, matriks, vektor, dan operasinya pada statistika multivariat
CPMK - 2 Mahasiswa mampu memahami proses reduksi multivariat (PCA dan FA) dan menerapkannya pada problem riil
CPMK - 3 Mahasiswa mampu memahami konsep klasterisasi multivariat dan menerapkannya pada problem riil
CPMK - 4 Mahasiswa mampu memahami konsep pemodelan multivariat seperti Linear Model, GLM, SEM, dan PLS serta dapat
menerapkannya pada problem riil
CPMK - 5 Mahasiswa dapat mengimplementasikan analisis multivariat pada permasalahan nyata dan merealisasikan ide kreatif,
serta memaparkan hasil analisis secara ilmiah
Matrik CPL - CPMK

CPMK CPL-8 CPL-11 CPL-12 CPL-17
CPMK-1
CPMK-2
CPMK-3
CPMK-4
CPMK-5
Matrik CPMK pada Kemampuan akhir tiap tahapan belajar (Sub-CPMK)

CPMK Minggu Ke
123 4 5 6 7 8 9 10111213141516
CPMK-1 ✔
CPMK-2 ✔ ✔
CPMK-3
CPMK-4 ✔ ✔ ✔ ✔ ✔ ✔ ✔ ✔ ✔ ✔
CPMK-5
Deskripsi
Singkat MK
Pada mata kuliah ini akan dipelajari konsep-konsep statistika multivariat yang memuat topik konsep dasar statistika multivariat, matriks,
vektor, dan operasinya, serta klasifikasi pada statistika multivarit, konsep distribusi multivariat normal, pengujian hipotesis, konsep
MANOVA, konsep Principle Component Analysis, Fuzzy dan Structural Equation Modeling (SEM), metode clustering. Selain itu,
mahasiswa diharapkan mampu merancang penyelesaian masalah menggunakan teknik pada statistika multivariat Mampu menjelaskan
hasil penyelesaian masalah menggunakan teknik pada statistika multivariat
Pustaka Utama :

1.Joseph F. Hair, Multivariate Data Analysis, 8th Ed. Cengage, 2018
2.Härdle, Wolfgang Karl, and Léopold Simar. Applied multivariate statistical analysis. Springer Nature, 2019.
3.Dobson, A. J., & Barnett, A. G. An introduction to generalized linear models. CRC press, 2018.
Pendukung :
1.Barbara G. Tabachnick, Using Multivariate Statistics, Sixth Edition, Pearson, 2013
Dosen
Pengampu
Riskyana Dewi Intan Puspitasari, M.Kom.
Ulfa Siti Nuraini, S.Stat., M.Stat.
Mg Ke-
Kemampuan akhir
tiap tahapan belajar
(Sub-CPMK)
Penilaian
Bantuk Pembelajaran,
Metode Pembelajaran,
Penugasan Mahasiswa,
[ Estimasi Waktu]
Materi
Pembelajaran
[ Pustaka ]
Bobot
Penilaian
(%)
Indikator Kriteria & Bentuk Luring
(offline)
Daring (online)
(1) (2) (3) (4) (5) (6) (7) (8)
1
Minggu ke 1
Mahasiswa
memahami konsep
dan tujuan analisis
multivariat
1.Mengetahui
penerapan metode
multivariate di
permasalahan riil.
2.Dapat membedakan
antara data
univariat dan data
multivariate.
3.Mengetahui
pengelompokan
metode univariat
dan metode
multivariate
Kriteria:
Non Tes
Bentuk Penilaian
:
Aktifitas
Partisipasif
Pembelajaran
Kolaboratif
(Ceramah,
diskusi, dan
tanya jawab)
150
Pembelajaran
Kolaboratif (Ceramah,
diskusi, dan tanya
jawab) Belajar Mandiri
150
Materi: Konsep
dasar analisis
multivariate
Aplikasi dan
Pengelompokan
metode
multivariate
Pustaka:
Joseph F. Hair,
Multivariate
Data Analysis,
8th Ed.
Cengage, 2018
1%
2
Minggu ke 2
Mahasiswa
memahami konsep
vektor, matriks,
varian, covarian
beserta operasinya
1.Mampu
menjelaskan konsep
vektor beserta
operasinya
2.Mampu
menjelaskan konsep
matriks beserta
operasinya
3.Mampu
menjelaskan konsep
varian beserta
operasinya
4.Mampu
menjelaskan konsep
covarian beserta
operasinya
Kriteria:
Non Tes
Bentuk Penilaian
:
Aktifitas
Partisipasif
Pembelajaran
Kolaboratif
(Ceramah,
diskusi, dan
tanya jawab)
150
Pembelajaran
Kolaboratif (Ceramah,
diskusi, dan tanya
jawab) Belajar Mandiri
150
Materi: Vektor,
Matriks, Varian,
Covarian
Pustaka:
Joseph F. Hair,
Multivariate
Data Analysis,
8th Ed.
Cengage, 2018
1%
3
Minggu ke 3
Mahasiswa
memahami konsep
matriks simetris,
definit positif, Eigen
Value, Eigen Vektor
1.Mampu
menjelaskan konsep
Eigen Value
2.Mampu
menjelaskan konsep
Eigen Vector
Kriteria:
Non Tes
Bentuk Penilaian
:
Aktifitas
Partisipasif
Pembelajaran
Kolaboratif
(Ceramah,
diskusi, dan
tanya jawab)
150
Pembelajaran
Kolaboratif (Ceramah,
diskusi, dan tanya
jawab) Belajar Mandiri
150
Materi: Eigen
Value, Eigen
Vektor
Pustaka:
Joseph F. Hair,
Multivariate
Data Analysis,
8th Ed.
Cengage, 2018
2%
4
Minggu ke 4
Mahasiswa mampu
memahami konsep
Principle Component
Analysis dan Factor
Analysis, serta
mengimplementasikan
pada permasalahan
nyata
1.Mampu
menjelaskan konsep
Principle
Component
Analysis
2.Mampu
menjelaskan konsep
Factor Analysis (FA)
Kriteria:
Non Tes
Bentuk Penilaian
:
Aktifitas
Partisipasif
Pembelajaran
Kolaboratif
(Ceramah,
diskusi, dan
tanya jawab)
150
Pembelajaran
Kolaboratif (Ceramah,
diskusi, dan tanya
jawab) Belajar Mandiri
150
Materi: PCA
dan FA
Pustaka:
Joseph F. Hair,
Multivariate
Data Analysis,
8th Ed.
Cengage, 2018
2%

5
Minggu ke 5
Mahasiswa mampu
memahami konsep
distribusi multivariat
normal Review
1.Mampu
menjelaskan konsep
univariate normal
density
2.Mampu
menjelaskan konsep
Bivariate normal
density
3.Mampu
menjelaskan konsep
Multivariate normal
density and its
properties
4.Mampu
menjelaskan konsep
Sampling
distribution
5.Mampu
menjelaskan konsep
Assessing the
assumption of
normality
6.Mampu
menjelaskan konsep
bagaimana cara
menghandle
normalitas
Kriteria:
Non Tes
Bentuk Penilaian
:
Aktifitas
Partisipasif
Pembelajaran
Kolaboratif
(Ceramah,
diskusi, dan
tanya jawab)
150
Pembelajaran
Kolaboratif (Ceramah,
diskusi, dan tanya
jawab) Belajar Mandiri
150
Materi: -
univariate
normal density -
Bivariate normal
density -
Multivariate
normal density
and its
properties -
Sampling
distribution -
Assessing the
assumption of
normality -
menghandle
normalitas
Pustaka:
Joseph F. Hair,
Multivariate
Data Analysis,
8th Ed.
Cengage, 2018
2%
6
Minggu ke 6
Mahasiswa mampu
menjelaskan konsep
pengujian hipotesis
vector rata-rata,
ANOVA dan
ANCOVA, MANOVA,
MANCOVA, serta
dapat menerapkan
dalam problem riil
1.Mampu
menentukan,
menghitung dan
menginterpretasikan
uji hipotesis vektor
rata-rata satu dan
dua populasi normal
multivariat
2.Dapat melakukan
uji hipotesis vektor
rata-rata serta
interpretasinya
3.Dapat melakukan
uji asumsi
4.Mampu memahami
konsep ANOVA dan
ANCOVA
5.Mampu melakukan
analisis ANOVA dan
ANCOVA dalam
analisis problem riil
Kriteria:
Non Tes
Bentuk Penilaian
:
Aktifitas
Partisipasif
Pembelajaran
Kolaboratif
(Ceramah,
diskusi, dan
tanya jawab)
150
Pembelajaran
Kolaboratif (Ceramah,
diskusi, dan tanya
jawab) Belajar Mandiri
150
Materi: - Uji
hipotesis untuk
satu populasi -
Uji hipotesis
untuk dua
populasi -
ANOVA -
ANCOVA -
MANOVA -
MANCOVA -
Interpretasi
hasil analisis
Pustaka:
Joseph F. Hair,
Multivariate
Data Analysis,
8th Ed.
Cengage, 2018
2%
7
Minggu ke 7
Mahasiswa mampu
menjelaskan konsep
hierarchical clustering
dan dapat
menerapkan dalam
problem riil
1.Mampu melakukan
analisis cluster
dengan beberapa
metode analisis
cluster
2.Dapat
mengevaluasi hasil
analisis cluster
3.Dapat melakukan
pemeriksaan
asumsi dalam
analisis cluster
Kriteria:
Non Tes
Bentuk Penilaian
:
Aktifitas
Partisipasif
Pembelajaran
Kolaboratif
(Ceramah,
diskusi, dan
tanya jawab)
150
Pembelajaran
Kolaboratif (Ceramah,
diskusi, dan tanya
jawab) Belajar Mandiri
150
Materi: Konsep
Clustering dan
Pendekatan
hierarki
Pustaka:
Joseph F. Hair,
Multivariate
Data Analysis,
8th Ed.
Cengage, 2018
2%
8
Minggu ke 8
Mahasiswa mampu
menjelaskan konsep
non-hierarchical
clustering dan dapat
menerapkan dalam
problem riil
1.Mampu melakukan
analisis cluster
dengan beberapa
metode analisis
cluster
2.Dapat
mengevaluasi hasil
analisis cluster
3.Dapat melakukan
pemeriksaan
asumsi dalam
analisis cluster
Kriteria:
Non Tes
Bentuk Penilaian
:
Aktifitas
Partisipasif
Pembelajaran
Kolaboratif
(Ceramah,
diskusi, dan
tanya jawab)
150
Pembelajaran
Kolaboratif (Ceramah,
diskusi, dan tanya
jawab) Belajar Mandiri
150
Materi: Konsep
Clustering dan
Pendekatan
hierarki
Pustaka:
Joseph F. Hair,
Multivariate
Data Analysis,
8th Ed.
Cengage, 2018
2%
9
Minggu ke 9
Ujian Tengah
Semester
Tes Kriteria:
Tes
Bentuk Penilaian
:
Tes
UTS
150
UTS
150
Materi: Konsep
Clustering dan
Pendekatan
hierarki
Pustaka:
Joseph F. Hair,
Multivariate
Data Analysis,
8th Ed.
Cengage, 2018
15%

10
Minggu ke 10
Mahasiswa mampu
memahami estimasi
parameter berbasis
distribusional dan
numerik
1.Mampu melakukan
estimasi parameter
dengan MLE
2.Mampu melakukan
estimasi parameter
dengan EM
Kriteria:
Non Tes
Bentuk Penilaian
:
Aktifitas
Partisipasif
Pembelajaran
Kolaboratif
(Ceramah,
diskusi, dan
tanya jawab)
150
Pembelajaran
Kolaboratif (Ceramah,
diskusi, dan tanya
jawab) Belajar Mandiri
150
Materi: - Least
Square -
Maximum
Likelihood
Estimation -
Expectation
Maximization
(EM)
Pustaka:
Joseph F. Hair,
Multivariate
Data Analysis,
8th Ed.
Cengage, 2018
2%
11
Minggu ke 11
Mahasiswa mampu
memahami konsep
Generalized Linear
Model
1.Mampu memahami
konsep Exponential
Family
2.Mampu memahami
tentang konsep
Generalized Linear
Models
3.Mampu
mengaplikasikan
GLM pada data riil
Kriteria:
Non Tes
Bentuk Penilaian
:
Aktifitas
Partisipasif
Pembelajaran
Kolaboratif
(Ceramah,
diskusi, dan
tanya jawab)
150
Pembelajaran
Kolaboratif (Ceramah,
diskusi, dan tanya
jawab) Belajar Mandiri
150
Materi: -
Exponential
Family -
Generalized
Linear Models -
Logistic
Regression -
Poisson
Regression
Pustaka:
Joseph F. Hair,
Multivariate
Data Analysis,
8th Ed.
Cengage, 2018
2%
12
Minggu ke 12
Mahasiswa
memahami konsep
dan implementasi
Structural Equation
Modeling (SEM) dan
Partial Least Square
(PLS)
1.Mampu
menjelaskan konsep
Structural Equation
Modeling (SEM)
2.Mampu
menjelaskan konsep
Partial Least Square
(SEM)
Kriteria:
Non Tes
Bentuk Penilaian
:
Aktifitas
Partisipasif
Pembelajaran
Kolaboratif
(Ceramah,
diskusi, dan
tanya jawab)
150
Pembelajaran
Kolaboratif (Ceramah,
diskusi, dan tanya
jawab) Belajar Mandiri
150
Materi: -
Exponential
Family -
Generalized
Linear Models -
Logistic
Regression -
Poisson
Regression
Pustaka:
Joseph F. Hair,
Multivariate
Data Analysis,
8th Ed.
Cengage, 2018
2%
13
Minggu ke 13
Mahasiswa dapat
mengimplementasikan
analisis multivariat
pada permasalahan
nyata dan
merealisasikan ide
kreatif, serta
memaparkan hasil
analisis secara ilmiah
1.Mampu menyusun
pertanyaan
penelitian dari
permasalahan dunia
nyata yang akan
diselesaikan dengan
statistika multivariat
2.Mampu melakukan
studi literature
terkait dari
pertanyaan
penelitian
3.Mampu merancang
metode
penyelesaian
masalah
menggunakan
statistika multivariat
Kriteria:
Non Tes
Bentuk Penilaian
:
Penilaian Hasil
Project / Penilaian
Produk
Pembelajaran
Kolaboratif
(Ceramah,
diskusi, dan
tanya jawab)
150
Pembelajaran
Kolaboratif (Ceramah,
diskusi, dan tanya
jawab) Belajar Mandiri
150
Materi: -
Implementasi
Metode -
Analisis Hasil -
Kesimpulan
Pustaka:
10%
14
Minggu ke 14
Mahasiswa dapat
mengimplementasikan
analisis multivariat
pada permasalahan
nyata dan
merealisasikan ide
kreatif, serta
memaparkan hasil
analisis secara ilmiah
1.Mampu menyusun
pertanyaan
penelitian dari
permasalahan dunia
nyata yang akan
diselesaikan dengan
statistika multivariat
2.Mampu melakukan
studi literature
terkait dari
pertanyaan
penelitian
3.Mampu merancang
metode
penyelesaian
masalah
menggunakan
statistika multivariat
Kriteria:
Non Tes
Bentuk Penilaian
:
Penilaian Hasil
Project / Penilaian
Produk
Pembelajaran
Kolaboratif
(Ceramah,
diskusi, dan
tanya jawab)
150
Pembelajaran
Kolaboratif (Ceramah,
diskusi, dan tanya
jawab) Belajar Mandiri
150
Materi: -
Implementasi
Metode -
Analisis Hasil -
Kesimpulan
Pustaka:
10%

15
Minggu ke 15
Mahasiswa dapat
mengimplementasikan
analisis multivariat
pada permasalahan
nyata dan
merealisasikan ide
kreatif, serta
memaparkan hasil
analisis secara ilmiah
1.Mampu menyusun
pertanyaan
penelitian dari
permasalahan dunia
nyata yang akan
diselesaikan dengan
statistika multivariat
2.Mampu melakukan
studi literature
terkait dari
pertanyaan
penelitian
3.Mampu merancang
metode
penyelesaian
masalah
menggunakan
statistika multivariat
Kriteria:
Non Tes
Bentuk Penilaian
:
Penilaian Hasil
Project / Penilaian
Produk
Pembelajaran
Kolaboratif
(Ceramah,
diskusi, dan
tanya jawab)
150
Pembelajaran
Kolaboratif (Ceramah,
diskusi, dan tanya
jawab) Belajar Mandiri
150
Materi: -
Implementasi
Metode -
Analisis Hasil -
Kesimpulan
Pustaka:
15%
16
Minggu ke 16
Mahasiswa dapat
mengimplementasikan
analisis multivariat
pada permasalahan
nyata dan
merealisasikan ide
kreatif, serta
memaparkan hasil
analisis secara ilmiah
1.Mampu menyusun
pertanyaan
penelitian dari
permasalahan dunia
nyata yang akan
diselesaikan dengan
statistika multivariat
2.Mampu melakukan
studi literature
terkait dari
pertanyaan
penelitian
3.Mampu merancang
metode
penyelesaian
masalah
menggunakan
statistika multivariat
Kriteria:
Non Tes
Bentuk Penilaian
:
Penilaian Hasil
Project / Penilaian
Produk, Penilaian
Portofolio
Pembelajaran
Kolaboratif
(Ceramah,
diskusi, dan
tanya jawab)
150
Pembelajaran
Kolaboratif (Ceramah,
diskusi, dan tanya
jawab) Belajar Mandiri
150
Materi: -
Implementasi
Metode -
Analisis Hasil -
Kesimpulan
Pustaka:
30%
Rekap Persentase Evaluasi : Project Based Learning
NoEvaluasi Persentase
1.Aktifitas Partisipasif 20%
2.Penilaian Hasil Project / Penilaian Produk 50%
3.Penilaian Portofolio 15%
4.Tes 15%
100%
Catatan
1.Capaian Pembelajaran Lulusan Prodi (CPL - Prodi) adalah kemampuan yang dimiliki oleh setiap lulusan prodi yang merupakan
internalisasi dari sikap, penguasaan pengetahuan dan ketrampilan sesuai dengan jenjang prodinya yang diperoleh melalui proses
pembelajaran.
2.CPL yang dibebankan pada mata kuliah adalah beberapa capaian pembelajaran lulusan program studi (CPL-Prodi) yang
digunakan untuk pembentukan/pengembangan sebuah mata kuliah yang terdiri dari aspek sikap, ketrampulan umum, ketrampilan
khusus dan pengetahuan.
3.CP Mata kuliah (CPMK) adalah kemampuan yang dijabarkan secara spesifik dari CPL yang dibebankan pada mata kuliah, dan
bersifat spesifik terhadap bahan kajian atau materi pembelajaran mata kuliah tersebut.
4.Sub-CPMK Mata kuliah (Sub-CPMK) adalah kemampuan yang dijabarkan secara spesifik dari CPMK yang dapat diukur atau
diamati dan merupakan kemampuan akhir yang direncanakan pada tiap tahap pembelajaran, dan bersifat spesifik terhadap materi
pembelajaran mata kuliah tersebut.
5.Indikator penilaian kemampuan dalam proses maupun hasil belajar mahasiswa adalah pernyataan spesifik dan terukur yang
mengidentifikasi kemampuan atau kinerja hasil belajar mahasiswa yang disertai bukti-bukti.
6.Kreteria Penilaian adalah patokan yang digunakan sebagai ukuran atau tolok ukur ketercapaian pembelajaran dalam penilaian
berdasarkan indikator-indikator yang telah ditetapkan. Kreteria penilaian merupakan pedoman bagi penilai agar penilaian konsisten
dan tidak bias. Kreteria dapat berupa kuantitatif ataupun kualitatif.
7.Bentuk penilaian: tes dan non-tes.
8.Bentuk pembelajaran: Kuliah, Responsi, Tutorial, Seminar atau yang setara, Praktikum, Praktik Studio, Praktik Bengkel, Praktik
Lapangan, Penelitian, Pengabdian Kepada Masyarakat dan/atau bentuk pembelajaran lain yang setara.
9.Metode Pembelajaran: Small Group Discussion, Role-Play & Simulation, Discovery Learning, Self-Directed Learning, Cooperative
Learning, Collaborative Learning, Contextual Learning, Project Based Learning, dan metode lainnya yg setara.
10.Materi Pembelajaran adalah rincian atau uraian dari bahan kajian yg dapat disajikan dalam bentuk beberapa pokok dan sub-pokok
bahasan.
11.Bobot penilaian adalah prosentasi penilaian terhadap setiap pencapaian sub-CPMK yang besarnya proposional dengan tingkat
kesulitan pencapaian sub-CPMK tsb., dan totalnya 100%.
12.TM=Tatap Muka, PT=Penugasan terstruktur, BM=Belajar mandiri.
RPS ini telah divalidasi pada tanggal 23 Juni 2024

Koordinator Program Studi S1
Sains Data
Yuliani Puji Astuti, S.Si., M.Si.
NIDN 0031077804
UPM Program Studi S1 Sains
Data
Riskyana Dewi Intan Puspitasari,
M.Kom.
NIDN 0021059403
File PDF ini digenerate pada tanggal 22 September 2024 Jam 18:24 menggunakan aplikasi RPS-OBE SiDia Unesa