Universitas Negeri Surabaya
Fakultas Matematika dan Ilmu Pengetahuan Alam
Program Studi S1 Sains Data

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Analisis Data Eksploratif

4920203067

Mata Kuliah Wajib Program Studi

T=3

P=0

ECTS=4.77

5

25 Agustus 2025

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Dinda Galuh Guminta, M.Stat.


Dr. Atik Wintarti, M.Kom


YULIANI PUJI ASTUTI

Model Pembelajaran

Project Based Learning

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-3

Mengembangkan pemikiran logis, kritis, sistematis, dan kreatif dalam melakukan pekerjaan yang spesifik di bidang keahliannya serta sesuai dengan standar kompetensi kerja bidang yang bersangkutan

PLO-21

Mampu mengambil keputusan secara tepat dalam konteks penyelesaian masalah di bidang sains data, berdasarkan hasil analisis informasi dan data.

PLO-25

Mampu mengidentifikasi dan menganalisis kebutuhan-kebutuhan pengguna dan mempertimbangkannya dalam memilih, membuat, mengintegrasi, mengevaluasi, dan mengadministrasi sistem berbasis kompetensi interdisiplin keilmuan sains data.

PLO-26

Menguasai konsep teoritis bidang pengetahuan sains data khusus dalam bidang pengetahuan tersebut secara mendalam, serta mampu memformulasikan penyelesaian masalah prosedural.

Program Objectives (PO)

PO - 1

Menjelaskan konsep dasar analisis data eksploratif dan peranannya dalam alur analisis data

PO - 2

Menerapkan teknik analisis deskriptif untuk memahami karakteristik data numerik dan kategorik

PO - 3

Menerapkan analisis pola distribusi data melalui pendekatan visual maupun numerik

PO - 4

Mengidentifikasi pola, hubungan, dan anomali dalam data melalui pendekatan visual maupun numerik

PO - 5

Melakukan eksplorasi data multivariat

PO - 6

Melakukan eksplorasi data tidak terstruktur

PO - 7

Mengembangkan visualisasi data yang efektif, dinamis, dan interaktif

PO - 8

Menyusun analisis eksploratif berbasis proyek dengan data nyata

Matrik PLO-PO
 
POPLO-3PLO-21PLO-25PLO-26
PO-1✔   
PO-2  ✔✔
PO-3   ✔
PO-4✔ ✔ 
PO-5  ✔ 
PO-6  ✔ 
PO-7 ✔✔ 
PO-8✔✔  

Matrik PO pada Kemampuan akhir tiap tahapan belajar (Sub-PO)
 
PO Minggu Ke
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
PO-1✔
PO-2✔
PO-3✔
PO-4✔✔✔✔✔
PO-5✔
PO-6✔
PO-7✔✔✔
PO-8✔✔✔

Deskripsi Singkat Mata Kuliah

Mata kuliah Analisis Data Eksploratif memperkenalkan teknik-teknik dasar untuk mengeksplorasi, meringkas, dan memvisualisasikan data sebelum melakukan analisis yang lebih kompleks. Tujuan mata kuliah ini adalah membekali mahasiswa dengan kemampuan untuk memahami karakteristik data, mengidentifikasi pola, dan mendeteksi anomali. Ruang lingkup mencakup teknik penyajian data (tabel dan grafik), ukuran pemusatan dan penyebaran data, analisis hubungan antar variabel, serta penyajian data secara visualisasi dalam bentuk infografis maupun dashboard. Mahasiswa akan belajar menerapkan pendekatan eksploratif pada berbagai jenis data numerik dan kategorikal.

Pustaka

Utama :

  1. Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley

Pendukung :

Dosen Pengampu

DINDA GALUH GUMINTA

Dinda Galuh Guminta, M.Stat.

Dinda Galuh Guminta, M.Stat.

Minggu Ke-

Kemampuan akhir tiap tahapan belajar
(Sub-PO)

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 mampu menjelaskan konsep, tujuan, dan peran analisis data eksploratif dalam analisis data

Dapat memahami dan menjelaskan konsep dasar analisis data eksploratif

 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran kolaboratif (ceramah dan diskusi)
3X50
Materi: -
Pustaka: Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley
Materi: Konsep-konsep dasar eksplorasi data: definisi, tujuan, tahapan, perbedaan analisis data eksploratif dengan analisis konfirmatori
Pustaka: Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley		 2%

2

Minggu ke 2

Mahasiswa mampu menerapkan teknik analisis deskriptif untuk memahami karakteristik data numerik dan kategorik

  1. Dapat menentukan teknik analisis deskriptif yang tepat untuk memahami karakteristik data numerik dan kategorik
  2. Dapat menginterpretasi hasil secara tepat
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran kolaboratif (ceramah dan diskusi)
3X50
Materi: Teknik analisis deskriptif
Pustaka: Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley		 2%

3

Minggu ke 3

Mahasiswa mampu membuat dan menginterpretasi distribusi data numerik dengan metode visual maupun numerik
  1. Mampu membuat visualisasi distribusi dengan tools
  2. Mampu membedakan berbagai jenis plot distribusi
  3. Mampu menginterpretasi hasil visualisasi distribusi
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran kolaboratif (ceramah dan diskusi)
3x50
Materi: Eksplorasi distribusi data: histogram, density plot, violin plot, box plot, QQ-plot
Pustaka: Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley		 2%

4

Minggu ke 4

Mahasiswa mampu menerapkan analisis data eksploratif untuk data kategorik
  1. Mampu menyajikan data kategorik dalam bentuk ringkasan statistik maupun visualisasi
  2. Mampu menginterpretasi hasil
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
3x50
Materi: Analisis data kategorik
Pustaka: Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley		 2%

5

Minggu ke 5

Mahasiswa mampu menerapkan analisis data eksploratif untuk data kategorik
  1. Mampu menyajikan data kategorik dalam bentuk ringkasan statistik maupun visualisasi
  2. Mampu menginterpretasi hasil
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
3x50
Materi: Analisis data kategorik
Pustaka: Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley		 2%

6

Minggu ke 6

Mahasiswa mampu mengidentifikasi hubungan antar dua variabel numerik
  1. Mampu memahami analisis korelasi
  2. Mampu melakukan analisis korelasi dalam bentuk visual
  3. Mampu menginterpretasi kekuatan & arah hubungan
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
3x50
Materi: Analisis korelasi, scatter plot, heatmap
Pustaka: Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley
Materi: Hubungan antar variabel numerik: Analisis korelasi, scatter plot, heatmap
Pustaka: Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley		 2%

7

Minggu ke 7

Mahasiswa mampu menjelaskan pola hubungan multivariabel sederhana
  1. Mampu membuat grouped plot (boxplot, histogram)
  2. Mampu menggunakan pairplot untuk analisis
  3. Mampu menginterpretasi hasil
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
3x50
Materi: Hubungan lebih dari dua variabel numerik & kategorik: grouped boxplot, histogram by group, pairplot
Pustaka: Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley		 5%

8

Minggu ke 8

Ujian Tengah Semester

Ujian Tengah Semester

 Kriteria:

Ujian Tengah Semester


Bentuk Penilaian :
Tes		 UTS
Materi: -
Pustaka: Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley		 20%

9

Minggu ke 9

Mahasiswa mampu melakukan eksplorasi data multivariat
  1. Mampu membangun scatterplot matrix/pairplot
  2. Mampu menginterpretasi pola dari hasil visualisasi
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
3X50
Materi: Teknik eksplorasi multivariat: scatterplot matrix, pairplot, PCA eksploratif
Pustaka: Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley		 5%

10

Minggu ke 10

Mahasiswa mampu melakukan eksplorasi awal pada data tidak terstruktur
  1. Mampu melakukan preprocessing teks sederhana menggunakan wordcloud atau frekuensi kata
  2. Mampu menginterpretasi pola dari hasil visualisasi
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
3X50
Materi: Eksplorasi data tidak terstruktur: teks (wordcloud, frekuensi kata), gambar sederhana
Pustaka: Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley		 2%

11

Minggu ke 11

Mahasiswa mampu membangun dashboard interaktif
  1. Mampu membuat dashboard sederhana menggunakan Tableau/Looker
  2. Mampu memilih visualisasi yang sesuai
  3. Mampu menjelaskan insight dari dashboard
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
3X50
Materi: Analisis dashboard: Tableau, Looker Studio
Pustaka: Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley		 2%

12

Minggu ke 12

Mahasiswa mampu mengembangkan visualisasi dinamis berbasis Python/R
  1. Mampu membuat plot interaktif menggunakan library python
  2. Mampu menjelaskan hasil visualisasi
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
3X50
Materi: Visualisasi dinamis: Plotly, Seaborn, dan Bokeh
Pustaka: Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley		 2%

13

Minggu ke 13

Mahasiswa mampu menerapkan prinsip visualisasi yang efektif dan etis
  1. Mampu mengidentifikasi visualisasi yang misleading
  2. Mampu menerapkan prinsip warna, layout, storytelling
  3. Mampu mengevaluasi kualitas visualisasi
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
3x50
Materi: Prinsip visualisasi efektif: storytelling, warna, etika visualisasi
Pustaka: Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley		 2%

14

Minggu ke 14

Mahasiswa mampu menghasilkan eksplorasi awal pada data nyata
  1. Mampu memilih dataset relevan
  2. Mampu merumuskan problem statement eksplorasi
  3. Mampu melakukan preprocessing data awal
 Kriteria:

Presentasi Ide Project


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
3x50
Materi: Implementasi analisis data eksploratif pada data nyata
Pustaka: Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley		 10%

15

Minggu ke 15

Mahasiswa mampu menghasilkan eksplorasi awal
  1. Mampu menghasilkan statistik deskriptif, visualisasi distribusi, dan analisis hubungan
  2. Mampu menuliskan interpretasi awal
 Kriteria:

Presentasi Progress Project


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
3x50
Materi: Implementasi analisis data eksploratif pada data nyata
Pustaka: Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley		 10%

16

Minggu ke 16

Mahasiswa mampu menyajikan hasil analisis eksploratif dalam laporan dashboard'
  1. Mampu menerapkan analisis eksplorasi data multivariat
  2. Mampu membangun visualisasi interaktif
  3. Mampu menyajikan hasil secara visual dan lisan
  4. Mampu menyusun laporan eksplorasi data
 Kriteria:

Presentasi Final Project


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
3x50
Materi: Implementasi analisis data eksploratif pada data nyata
Pustaka: Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley		 30%



Rekap Persentase Evaluasi : Project Based Learning

No Evaluasi Persentase
1. Aktifitas Partisipasif 30%
2. Penilaian Hasil Project / Penilaian Produk 50%
3. Tes 20%
100%

Catatan

  1. Capaian Pembelajaran Lulusan Program Studi (PLO - Program Studi) adalah kemampuan yang dimiliki oleh setiap lulusan Program Studi yang merupakan internalisasi dari sikap, penguasaan pengetahuan dan ketrampilan sesuai dengan jenjang prodinya yang diperoleh melalui proses pembelajaran.
  2. PLO yang dibebankan pada mata kuliah adalah beberapa capaian pembelajaran lulusan program studi (CPL-Program Studi) yang digunakan untuk pembentukan/pengembangan sebuah mata kuliah yang terdiri dari aspek sikap, ketrampulan umum, ketrampilan khusus dan pengetahuan.
  3. Program Objectives (PO) adalah kemampuan yang dijabarkan secara spesifik dari PLO yang dibebankan pada mata kuliah, dan bersifat spesifik terhadap bahan kajian atau materi pembelajaran mata kuliah tersebut.
  4. Sub-PO Mata kuliah (Sub-PO) adalah kemampuan yang dijabarkan secara spesifik dari PO 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-PO yang besarnya proposional dengan tingkat kesulitan pencapaian sub-PO tsb., dan totalnya 100%.
  12. TM=Tatap Muka, PT=Penugasan terstruktur, BM=Belajar mandiri.