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

4

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

Case Study

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 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 dan hubungan antar dua variabel numerik maupun kategorik

PO - 4

Melakukan analisis eksplorasi data secara multivariat

PO - 5

Menerapkan konsep analisis data eksploratif pada problem riil

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

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✔✔✔✔✔

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. Chen, C., Hädrdle, W., & Unwin, A. (2008). Handbook of Data Visualization. Springer
  2. Bruce, Peter & Bruce, Andrew. (2017). Practical Statistics for Data Scientists. United States of America: O’Reilly
  3. Knaflic, Cole Nussbaumer. (2015). Storytelling With Data: A Data Visualization Guide for Business Professionals. United States of America: Wiley

Pendukung :

  1. Pearson, R.K. (2018). Exploratory Data Analysis Using R (1st ed.). Chapman and Hall/CRC. https://doi.org/10.1201/9781315382111
  2. Nicodemo, C., & Satorra, A. (2020). Exploratory data analysis on large data sets: The example of salary variation in Spanish Social Security Data. BRQ Business Research Quarterly, 25(3), 283-294. https://doi.org/10.1177/2340944420957335 (Original work published 2022)

Dosen Pengampu

Dr. Atik Wintarti, M.Kom.

Ike Fitriyaningsih, M.Si

Belgis Ainatul Iza, S.Si, M.Mat.

Dinda Galuh Guminta, M.Stat.

Nurul Laili, S.Pd., M.Sc.

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
  1. Dapat menjelaskan konsep dasar analisis data eksploratif
  2. Dapat memahami penggunaan ukuran pemusatan data: mean, mode, median, trimean, mid-mean, trimmed mean, winsorised mean, mid-range, quartiles, deciles, percentiles
  3. Dapat memahami variabilitas dalam data: range, variance, standard deviation, interquartile range, median absolute deviation
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran kolaboratif (ceramah dan diskusi)
3X50
Materi: Chapter 1 Exploratory Data Analysis
Pustaka: Bruce, Peter & Bruce, Andrew. (2017). Practical Statistics for Data Scientists. United States of America: O’Reilly		 6%

2

Minggu ke 2

Mahasiswa mampu menerapkan teknik analisis deskriptif untuk memahami pola data
  1. Dapat mengidentifikasi bentuk distribusi data menggunakan skewness dan kurtosis
  2. Dapat mendeteksi data menangani data bermasalah secara univariat dan multivariat (missing value, outlier, dan normalitas)
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran kolaboratif (ceramah dan diskusi)
3X50
Materi: Chapter 3 Exploratory Data Analysis: A First Look
Pustaka: Pearson, R.K. (2018). Exploratory Data Analysis Using R (1st ed.). Chapman and Hall/CRC. https://doi.org/...		 4%

3

Minggu ke 3

Mahasiswa mampu menerapkan teknik analisis deskriptif untuk memahami pola data

Mahasiswa mampu menerapkan teknik deteksi outlier: IQR, Z-score, mahalanobis, outlier pada high-dimensional data

 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran kolaboratif (ceramah dan diskusi)
3X50
Materi: Chapter 3 Exploratory Data Analysis: A First Look
Pustaka: Pearson, R.K. (2018). Exploratory Data Analysis Using R (1st ed.). Chapman and Hall/CRC. https://doi.org/...		 4%

4

Minggu ke 4

Mahasiswa mampu melakukan analisis distribusi data numerik dan kategorik
  1. Mahasiswa mampu melakukan analisis distribusi data numerik: histogram, density plot, violin plot, box plot, qq plot
  2. Mahasiswa mampu melakukan analisis distribusi kategorik: frekuensi, proporsi, cross tab, pie chart, bar chart, dot plot, mosaic plot
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran kolaboratif (ceramah dan diskusi)
3x50
Materi: Data Visualization Principles
Pustaka: Chen, C., Hädrdle, W., & Unwin, A. (2008). Handbook of Data Visualization. Springer
Materi: Chapter 1 Exploratory Data Analysis
Pustaka: Bruce, Peter & Bruce, Andrew. (2017). Practical Statistics for Data Scientists. United States of America: O’Reilly		 4%

5

Minggu ke 5

Mahasiswa mampu analisis hubungan antar dua variabel numerik atau kategorik
  1. Analisis hubungan antar dua variabel secara statistik
  2. Analisis hubungan antar variabel numerik: korelasi, scatter plot, heatmap
  3. Analisis hubungan lebih dari dua variabel numerik dan kategorik: boxplot by group (stacked), histogram by group, pairplot
 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
3x50
Materi: Chapter 1 Exploratory Data Analysis
Pustaka: Bruce, Peter & Bruce, Andrew. (2017). Practical Statistics for Data Scientists. United States of America: O’Reilly
Materi: Chapter 3 Exploratory Data Analysis: A First Look
Pustaka: Pearson, R.K. (2018). Exploratory Data Analysis Using R (1st ed.). Chapman and Hall/CRC. https://doi.org/...		 4%

6

Minggu ke 6

Mahasiswa mampu melakukan analisis eksploratif pada data multivariat

Dapat melakukan analisis eksploratif pada data multivariat (parallel coordinates plot, heatmap, PCA, Biplot, MDS)

 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
3x50
Materi: All chapter
Pustaka: Chen, C., Hädrdle, W., & Unwin, A. (2008). Handbook of Data Visualization. Springer		 4%

7

Minggu ke 7

Mahasiswa mampu membuat infografis

Dapat melakukan analisis data dalam bentuk infografis

 Kriteria:

Non Tes


Bentuk Penilaian :
Aktifitas Partisipasif		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
3x50
Materi: All chapter
Pustaka: Chen, C., Hädrdle, W., & Unwin, A. (2008). Handbook of Data Visualization. Springer
Materi: Chapter 1 Exploratory Data Analysis
Pustaka: Bruce, Peter & Bruce, Andrew. (2017). Practical Statistics for Data Scientists. United States of America: O’Reilly		 8%

8

Minggu ke 8

Ujian Tengah Semester
    		Kriteria:

    Tes Tulis


    Bentuk Penilaian :
    Tes    		 UTS
    3x50
    		Materi: Semua materi
    Pustaka: Chen, C., Hädrdle, W., & Unwin, A. (2008). Handbook of Data Visualization. Springer
    Materi: a
    Pustaka: Chen, C., Hädrdle, W., & Unwin, A. (2008). Handbook of Data Visualization. Springer    		 10%

    9

    Minggu ke 9

    Mahasiswa mampu melakukan analisis data eksploratif pada data teks, sequence, dan survey
    1. Mampu melakukan analisis data eksploratif pada data teks: wordcloud, frekuensi kata, dll)
    2. Mampu melakukan analisis data eksploratif pada data time series: line plot, seasonal plot, lag plot
    3. Mahasiswa mampu melakukan analisis data eksploratif pada data survey
    4. Mahasiswa mampu melakukan analisis data quality control: run chart, pareto chart, dll
    		 Kriteria:

    Non Tes


    Bentuk Penilaian :
    Aktifitas Partisipasif    		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
    3x50
    		Materi: -
    Pustaka: Nicodemo, C., & Satorra, A. (2020). Exploratory data analysis on large data sets: The example of salary variation in Spanish Social Security Data. BRQ Business Research Quarterly, 25(3), 283-294. https://doi.org/... (Original work published 2022)
    Materi: -
    Pustaka: Chen, C., Hädrdle, W., & Unwin, A. (2008). Handbook of Data Visualization. Springer    		 3%

    10

    Minggu ke 10

    Mahasiswa mampu melakukan analisis pola lanjutan
    1. Dapat memvisualisasikan hasil clustering
    2. Dapat memvisualisasikan hasil klasifikasi
    3. Dapat mengevaluasi pola hasil model secara visual
    		 Kriteria:

    Non Tes


    Bentuk Penilaian :
    Aktifitas Partisipasif    		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
    3X50
    		Materi: Chapter 3 Methodologies
    Pustaka: Chen, C., Hädrdle, W., & Unwin, A. (2008). Handbook of Data Visualization. Springer    		 3%

    11

    Minggu ke 11

    Mahasiswa mampu menerapkan prinsip visualisasi yang efektif

    Mahasiswa mampu menerapkan prinsip visualisasi yang efektif

    		 Kriteria:

    Non Tes


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

    12

    Minggu ke 12

    Mahasiswa mampu membuat visualisasi interaktif

    Dapat membuat visualisasi interaktif dengan looker studio pada kasus riil

    		 Kriteria:

    Non Tes


    Bentuk Penilaian :
    Aktifitas Partisipasif    		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
    3X50
    		Materi: -
    Pustaka: Chen, C., Hädrdle, W., & Unwin, A. (2008). Handbook of Data Visualization. Springer    		 8%

    13

    Minggu ke 13

    Mahasiswa mampu membuat visualisasi interaktif

    Dapat membuat visualisasi interaktif dengan tableau pada kasus riil

    		 Kriteria:

    Non Tes


    Bentuk Penilaian :
    Aktifitas Partisipasif    		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
    3X50
    		Materi: -
    Pustaka: Chen, C., Hädrdle, W., & Unwin, A. (2008). Handbook of Data Visualization. Springer    		 8%

    14

    Minggu ke 14

    Mahasiswa mampu membuat visualisasi interaktif

    Dapat membuat visualisasi interaktif dengan R shiny pada kasus riil

    		 Kriteria:

    Non Tes


    Bentuk Penilaian :
    Aktifitas Partisipasif    		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
    3X50
    		Materi: -
    Pustaka: Chen, C., Hädrdle, W., & Unwin, A. (2008). Handbook of Data Visualization. Springer    		 8%

    15

    Minggu ke 15

    Mahasiswa mampu membuat visualisasi interaktif

    Dapat membuat visualisasi interaktif dengan power BI pada kasus riil

    		 Kriteria:

    Non Tes


    Bentuk Penilaian :
    Aktifitas Partisipasif    		 Pembelajaran Kolaboratif (Ceramah, diskusi, dan tanya jawab)
    3X50
    		Materi: -
    Pustaka: Chen, C., Hädrdle, W., & Unwin, A. (2008). Handbook of Data Visualization. Springer    		 8%

    16

    Minggu ke 16

    Ujian Akhir Semester
      		Kriteria:

      Tes Tulis


      Bentuk Penilaian :
      Tes      		 UAS
      3x50
      		Materi: -
      Pustaka: Chen, C., Hädrdle, W., & Unwin, A. (2008). Handbook of Data Visualization. Springer      		 15%



      Rekap Persentase Evaluasi : Case Study

      No Evaluasi Persentase
      1. Aktifitas Partisipasif 75%
      2. Tes 25%
      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.