UNIVERSITAS GADJAH MADA
FAKULTAS TEKNIK
PROGRAM STUDI MAGISTER TEKNIK SISTEM

RENCANA PEMBELAJARAN SEMESTER
MATA KULIAH KODE KELOMPOK MK BOBOT (SKS) SEMESTER Tanggal Penyusunan
Statistika Multivariat TKMTS
176104
Mata Kuliah Wajib 3 1 25 Agustus 2018
Capaian
Pembelajaran
(CP)
CPL-Prodi
P1 Mampu menguasai teori, konsep, metode, dan falsafah di bidang ilmu teknik sistem melalui proses pembelajaran
P2 Mampu melakukan kajian (menganalisis dan mengevaluasi) sebuah sistem yang kompleks dengan menggunakan pendekatan
dan teori yang relevan
P3 Memiliki wawasan yang luas dan mendalam mengenai bidang ilmu teknik sistem dengan dukungan konsentrasi (energi baru
dan terbarukan, industri, dan lingkungan)
KK4 Mampu menggunakan metoda serta teknis analisis untuk menyelesaikan permasalahan sesuai dengan konsentrasi masing-
masing dengan memperhatikan faktor- faktor ekonomi, kesehatan dan keselamatan publik, kultural, sosial dan kelestarian
lingkungan
CP-MK
M1 Mahasiswa mampu menguasai teori dan konsep dasar statistika multivariat (P1)
M2 Mahasiswa mampu malakukan kajian sebuah sistem yang kompleks dengan menggunakan pendekatan analisis multivariat
(P2)
M3 Mahasiswa memiliki wawasan yang luas dan mendalam mengenai teknik-teknik multivariat serta dapat mengaplikasikannya
untuk memecahkan masalah yang berkaitan dengan data dan eksperimen (P3, KK4)
Deskripsi
Singkat Mata
Kuliah
Mata kuliah Statistika Multivariat ini dirancang untuk memberikan ilmu pengetahuan kepada mahasiswa dalam memahami dan
menggunakan teknik-teknik analisis statistika multivariat dalam penelitian teknik sistem

Materi
Pembelajaran/ Pokok
Bahasan
a. Prinsip-prinsip probabilitas dan statistika
b. Model-model probabilitas dan distribusi
c. Analisis dan evaluasi parameter model- model probabilitas dan distribusi
d. Tingkat kepercayaan dan uji-uji statistika
e. Analisis stasioneritas, nonstasioneritas dan runtun waktu (time series)
f. Analisis dan pengolahan data multivariate
g. Dependence Techniques (multiple regression analysis, Multiple discriminant analysis and logitic regression, multivariate analysis of

variance, conjoint analysis)
h. Interdependence Techniques (cluster analysis, multidimensionl scaling and correspondence analysis), structural Equation Modeling
(SEMs)
i. Aplikasi perangkat lunak statistika
Pustaka a. JF. Fair, Jr., W.C. Black, B.J. Babin, R.E. Anderson, and R.L. Tatham, 2006, Multivariate Data Analysis, Pearson Int. Edition, New York.
b. Hayter, A.J., 2006, Probability and Statistics for Engineers and Scientists (with CD-ROM), PWS Publishing Company
c. Hines, W.W., D.C. Montgomery, D.M. Goldsman, and C.M. Borror, 2003, Probability and Statistics in Engineering, John Wiley &
Sons, Hoboken, New Jersey
d. Box G.E.P., W.G. Hunter, and J.S. Hunter, 1978, Statistics for Experimenters: An Introduction to Design, Data Analysis, and
ModelBuilding, John Wiley & Sons, New York
Media
Pembelajaran
Perangkat Lunak : Software Minitab Perangkat Keras :
LCD & Projector
Team Teaching Muhammad Mufti Azis, S.T., M.Sc., Ph.D. dan Andi Rahadiyan Wijaya, S.T., M.Sc., Ph.D.

Minggu Ke-
Kemanpuan akhir
yang diharapkan
Indikator
Kriteria dan Bentuk
Penilaian
Metode
Pembelajaran
Materi Pembelajaran
1, 2, 3 Mahasiswa mampu
menguasai teori dan
konsep dasar
statistika multivariat
(P1)

• Ketepatan menjelaskan
teori
dan konsep dasar statistika multivariat
Kriteria:
Ketepatan dan penguasaan teori
Bentuk non test:
Keaktifan mahasiswa dan Presentasi Tugas

Kuliah dan diskusi • Prinsip-prinsip
probabilitas dan statistika.
• Model-model
probabilitas dan distribusi
4, 5, 6, 7 Mahasiswa mampu
malakukan kajian sebuah sistem yang kompleks dengan
menggunakan
pendekatan analisis
multivariat (P2)

• Kemampuan
malakukan analisis
dan evaluasi
menggunakan
pendekatan analisis
multivariat
Kriteria:
Ketepatan dalam analisis dan
kemampuan evaluasi
Bentuk non test:
Keaktifan mahasiswa dan Presentasi Tugas
Kuliah dan diskusi • Analisis dan evaluasi parameter model-model
probabilitas dan distribusi.
•
Tingkat kepercayaan dan
uji-uji statistika
Evaluasi Tengah Semester

8, 9, 10, 11, 12, 13, 14 Mahasiswa memiliki
wawasan yang luas
dan mendalam
mengenai teknik-
teknik multivariat
serta dapat
mengaplikasikannya
untuk memecahkan
masalah yang
berkaitan dengan
data dan eksperimen
• Kemampuan
menggunakan
teknik-teknik
statistika multivariat
serta mampu
mengaplikasikannya
untuk pemecahan
masalah
Kriteria:
Ketepatan dalam penggunaan teknik-
teknik multivariat
Kemampuan dalam
pengaplikasian
metode-metode
statistika multivariat
untuk pemecahan
masalah

Bentuk non test:
Keaktifan mahasiswa
dan Presentasi Tugas
Kuliah dan diskusi • Analisis dan
pengolahan data multivariate.

• Dependence
Techniques
(multiple
regression
analysis, Multiple
discriminant
analysis and
logitic regression,
multivariate
analysis of
variance, conjoint
analysis).
• Interdependence
Techniques
(cluster analysis,
multidimensionl
scaling and
correspondence
analysis),
structural
Equation
Modeling (SEMs)
•
Aplikasi
perangkat lunak
statistika.
Evaluasi Akhir Semester