Universitas Negeri Surabaya
Fakultas Teknik
Program Studi S2 Informatika

Kode Dokumen

SEMESTER LEARNING PLAN

Course

KODE

Rumpun MataKuliah

Bobot Kredit

SEMESTER

Tanggal Penyusunan

Big Data Analitik

5510003018

Mata Kuliah Pilihan Program Studi

T=3

P=0

ECTS=6.72

3

22 Juli 2026

OTORISASI

Pengembang S.P

Koordinator Rumpun matakuliah

Koordinator Program Studi




Prof. Dr. Lilik Anifah, S.T., M.T.


Dr. Ir. Ricky Eka Putra, S.Kom., M.Kom.


RICKY EKA PUTRA

Model Pembelajaran

Project Based Learning

Program Learning Outcomes (PLO)

PLO program Studi yang dibebankan pada matakuliah

PLO-5

Mampu mengaplikasikan keahlian lanjut dalam bidang Informatika, khususnya Sains Data dan Kecerdasan Artifisial, Jaringan Cerdas dan Multimedia, serta Rekayasa Sistem Informatika, sesuai dengan kebutuhan riset, industri, pendidikan, dan masyarakat.

PLO-7

Mampu menganalisis kebutuhan, memformulasikan masalah, dan merancang alternatif solusi terhadap permasalahan kompleks di bidang Informatika dengan menggunakan metode analitis, komputasional, dan berbasis data.

PLO-9

Mampu mengembangkan solusi informatika yang inovatif, efektif, efisien, aman, adaptif, dan berkelanjutan untuk meningkatkan kinerja organisasi, industri, pendidikan, atau masyarakat.

Program Objectives (PO)

PO - 1

Mengaplikasikan keahlian lanjut dalam bidang Sains Data dan Kecerdasan Artifisial untuk mendukung analisis data, pemodelan, prediksi, dan pengambilan keputusan. (CPMK05.1)

PO - 2

Menganalisis kebutuhan, memformulasikan masalah, dan menentukan pendekatan penyelesaian terhadap permasalahan kompleks di bidang Informatika. (CPMK07.1)

PO - 3

Menerapkan metode analitis, komputasional, dan berbasis data untuk menyelesaikan permasalahan dalam bidang Informatika. (CPMK07.2)

PO - 4

Mengevaluasi kinerja sistem, model, teknologi, atau solusi informatika berdasarkan data, metrik, eksperimen, dan kebutuhan pengguna atau organisasi. (CPMK08.1)

PO - 5

Mahasiswa mampu mengembangkan solusi berbasis rekayasa fitur dan pembelajaran mesin yang inovatif untuk meningkatkan efisiensi dan efektivitas organisasi.

Matrik PLO-PO
 
POPLO-5PLO-7PLO-9
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 Rekayasa Fitur dan Pembelajaran Mesin pada jenjang S2 program studi lnformatika bertujuan untuk memberikan pemahaman komprehensif mengenai teknik rekayasa fitur dan penerapan pembelajaran mesin dalam pengembangan solusi berbasis data. Mata kuliah ini mencakup penquasaan konsep dasar rekayasa fitur, analisis fitur, serta penggunaan algoritma pembelajaran mesin untuk pengenalan pola, klasifikasi, dan prediksi data. Ruang lingkupnya meliputi pemodelan. ekstraksi, seleksi, dan evaluasi fitur, serta penerapan metode pembelajaran mesin dalam menyelesaikan permasalahan kompleks di berbagai bidang lnformatika. Mahasiswa diharapkan mampu mengintegrasikan teknik rekayasa fitur dengan algoritma pembelajaran mesin untuk menghasilkan solusi inovatif dan efektif, yang mendukung pengembangan teknologi terkini sesuai dengan kebutuhan industri dan masyarakat.

Pustaka

Utama :

  1. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
  2. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.
  3. Han. J., Kamber, M., & Pei, j. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann.

Pendukung :

  1. Guyon, l., & Elisseeff, A. (2003). An Introduction to Variable and Feature Selection. Journal of Machine Learning Research.
  2. Duda. R. O., Hart, P. E., & Stork, D. G. (2001). Pattern Classification. Wiley-lnterscience.
  3. Handbook Perkuliahan

Dosen Pengampu

Dr. Wiyli Yustanti, S.Si., M.Kom.

Ervin Yohannes, S.Kom., M.Kom., M.Sc., Ph.D.

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

Menjelaskan konsep dasar rekayasa fitur dan pembelajaran mesin
  1. Konsep dasar rekayasa fitur
  2. Teknik analisis fitur
  3. Pembelajaran mesin
  4. Analisis data
  5. Pengembangan teknologi terkini
  6. Ketepatan menjelaskan konsep
 Kriteria:

Kejelasan dan ke|engkapan penjeiasan


Bentuk Penilaian :
Aktifitas Partisipasif		 Ceramah, diskusi dan video
3 x 50
Materi: Konsep dasar rekayasa fitur, Teknik analisis fitur, Pembelajaran mesin. Analisis data, Pengembangan teknologi terkini
Pustaka: Handbook Perkuliahan		 5%

2

Minggu ke 2

Menganalisis teknik pra-pemrosesan data
  1. Konsep dasar rekayasa fitur dipahami
  2. Teknik analisis fitur dikuasai
  3. Ketepatan teknik pra- pemrosesan
 Kriteria:

Keselarasan metode dengan dataset


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran aktif melalui diskusi penerapan teknik analisis fitur dalam kasus nyata disertai video simulasi dan proyek
3 x 50
Materi: Konsep dasar rekayasa fitur, Teknik analisis fitur, Pembelajaran mesin untuk analisis data
Pustaka: Handbook Perkuliahan
Materi: Data Preprocessing
Pustaka: Han. J., Kamber, M., & Pei, j. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann.
Materi: Data Cleaning
Pustaka: Duda. R. O., Hart, P. E., & Stork, D. G. (2001). Pattern Classification. Wiley-lnterscience.		 5%

3

Minggu ke 3

Mengimplementasikan teknik ekstraksi fitur
  1. Analisis kebutuhan data
  2. Pemilihan teknik rekayasa fitur
  3. Penerapan teknik rekayasa fitur dalam pemecahan masalah
  4. Ketepatan implementasi teknik ekstraksi fitur
 Kriteria:

Kelengkapan fitur yang dihasilkan


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran Berbasis Proyek serta Penugasan Proyek Mahasiswa dan Forum
3 x 50
Materi: Pengertian Analisis Kebutuhan Data, Metode Analisis Kebutuhan Data, Pemilihan Teknik Rekayasa Fitur
Pustaka: Handbook Perkuliahan
Materi: Feature Selection Basics
Pustaka: Guyon, l., & Elisseeff, A. (2003). An Introduction to Variable and Feature Selection. Journal of Machine Learning Research.
Materi: Feature Engineering
Pustaka: Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.		 5%

4

Minggu ke 4

Memilih fitur yang relevan menggunakan teknik seleksi fitur
  1. Analisis kebutuhan data
  2. Pemilihan teknik rekayasa fitur
  3. Penerapan teknik rekayasa fitur
  4. Ketepatan analisis fitur yang dipilih
 Kriteria:

Relevansi fitur dengan tujuan analisis


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran Berbasis Proyek, Diskusi dan Pengumpulan Tugas Analisis Kebutuhan
3 x 50
Materi: Analisis Kebutuhan Data, Pemilihan Teknik Rekayasa Fitur, Studi Kasus dalam Teknik Informatika
Pustaka: Handbook Perkuliahan
Materi: Feature Extraction
Pustaka: Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
Materi: Dimensionality Reduction
Pustaka: Han. J., Kamber, M., & Pei, j. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann.		 5%

5

Minggu ke 5

Menguraikan berbagai algoritma pembelajaran mesin untuk klasifikasi
  1. Analisis kebutuhan data
  2. Penerapan teknik rekayasa fitur
  3. Ketepatan menjelaskan algoritma yang digunakan
 Kriteria:

Kejelasan dan kelengkapan deskripsi algoritma


Bentuk Penilaian :
Aktifitas Partisipasif, Penilaian Hasil Project / Penilaian Produk		 Pembelajaran Berbasis Proyek, Penugasan, Forum Diskusi serta Video Pembelajaran
3 x 50
Materi: Analisis Kebutuhan Data, Teknik, Rekayasa Fitur, Pemilihan Teknik yang Tepat
Pustaka: Handbook Perkuliahan
Materi: Classification Models
Pustaka: Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.
Materi: Classification Algorithms
Pustaka: Duda. R. O., Hart, P. E., & Stork, D. G. (2001). Pattern Classification. Wiley-lnterscience.		 5%

6

Minggu ke 6

Menerapkan algoritma klasifikasi pada penyelesaian masalah
  1. Analisis kebutuhan data
  2. Penerapan teknik rekayasa fitur
  3. Pemecahan masalah kompleks
 Kriteria:

Keselarasan algoritma dengan dataset


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran Berbasis Proyek serta Pengumpulan Tugas dan SImulasi
3 x 50
Materi: Analisis Kebutuhan Data, Teknik. Rekayasa Fitur, Pemilihan Teknik yang sesuai
Pustaka: Handbook Perkuliahan
Materi: Classification Techniques
Pustaka: Han. J., Kamber, M., & Pei, j. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann.
Materi: Model Evaluation
Pustaka: Guyon, l., & Elisseeff, A. (2003). An Introduction to Variable and Feature Selection. Journal of Machine Learning Research.		 5%

7

Minggu ke 7

Mengevaluasi hasil implementasi algoritma pembelajaran mesin
  1. Analisis hasil implementasi
  2. Evaluasi efisiensi solusi
  3. Evaluasi efektivitas solusi
  4. Ketepatan evaluasi hasil algoritma
 Kriteria:

Keselarasan evaluasi dengan hasil analisis


Bentuk Penilaian :
Penilaian Hasil Project / Penilaian Produk		 Pembelajaran Berbasis Proyek dan Pengumpulan Laporan Evaluasi
3 x 50
Materi: Evaluasi Implementasi Rekayasa Fitur, Algoritma Pembelajaran Mesin, Analisis Hasil Implementasi, Evaluasi Efisiensi dan Efektivitas Solusi
Pustaka: Handbook Perkuliahan
Materi: Evaluation Metrics
Pustaka: Han. J., Kamber, M., & Pei, j. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann.
Materi: Model Assessment
Pustaka: Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.		 5%

8

Minggu ke 8
    1. Menerapkan konsep yang telah dipelajari
    2. Mengalisis dan memecahkan masalah
    3. Menjawab soal esai dan studi kasus
    		 Kriteria:
    1. Kedalaman jawaban
    2. Kejelasan analisis
    3. Ketepatan solusi

    Bentuk Penilaian :
    Tes    		 Menyelesaikan soal ujian Sub-Sumatif
    3 x 50
    		Materi: Materi-materi dari minggu ke-1 s.d. ke-7
    Pustaka: Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
    Materi: Materi-materi dari minggu ke-1 s.d. ke-7
    Pustaka: Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.
    Materi: Materi-materi dari minggu ke-1 s.d. ke-7
    Pustaka: Han. J., Kamber, M., & Pei, j. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann.
    Materi: Materi-materi dari minggu ke-1 s.d. ke-7
    Pustaka: Guyon, l., & Elisseeff, A. (2003). An Introduction to Variable and Feature Selection. Journal of Machine Learning Research.
    Materi: Materi-materi dari minggu ke-1 s.d. ke-7
    Pustaka: Duda. R. O., Hart, P. E., & Stork, D. G. (2001). Pattern Classification. Wiley-lnterscience.    		 15%

    9

    Minggu ke 9

    Mengembangkan model pembelajaran mesin berbasis rekayasa fitur
    1. Solusi inovatif dikembangkan
    2. Ketepatan model yang dikembangkan
    		 Kriteria:

    Kelengkapan dan kesesuaian fitur


    Bentuk Penilaian :
    Penilaian Hasil Project / Penilaian Produk, Penilaian Praktikum    		 Pembelajaran Berbasis Proyek serta diskusi dan tugas
    3 x 50
    		Materi: Konsep rekayasa fitur, Pembelajaran mesin untuk efisiensi organisasi, Inovasi dalam pengembangan solusi
    Pustaka: Handbook Perkuliahan
    Materi: Feature-Based Learning
    Pustaka: Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.    		 5%

    10

    Minggu ke 10

    Mahasiswa mampu menerapkan analitik teks pada korpus berskala besar - praproses teks, representasi (TF-IDF, embedding), analisis sentimen, dan pemanfaatan model transformer bahasa Indonesia (IndoBERT) - untuk mendukung pengambilan keputusan.
    1. Ketepatan praproses dan representasi teks.
    2. Kualitas hasil analisis sentimen.
    3. Pemahaman perbandingan model klasik vs transformer.
    		 Kriteria:

    Laporan praktikum analitik teks memperoleh skor rubrik minimal 70.


    Bentuk Penilaian :
    Penilaian Hasil Project / Penilaian Produk, Penilaian Praktikum    		 Pembahasan pipeline analitik teks: praproses (tokenisasi, normalisasi bahasa Indonesia), representasi TF-IDF dan embedding, hingga fine-tuning model transformer; praktikum analisis sentimen korpus teks berbahasa Indonesia; telaah hasil riset dosen tentang optimasi dan evaluasi IndoBERT serta BiLSTM-BiGRU untuk analisis sentimen layanan digital kampus sebagai studi kasus utama; kelompok menerapkan komponen analitik teks bila relevan dengan proyeknya.
    3 x 50
    		Materi: Materi
    Pustaka: Handbook Perkuliahan
    Materi: Regression Models
    Pustaka: Han. J., Kamber, M., & Pei, j. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann.    		 5%

    11

    Minggu ke 11
      1. Pengembangan solusi inovatif
      2. Ketepatan analisis dan impelementasi
      		 Kriteria:

      Keselarasan proyek dengan metode yang dipilih


      Bentuk Penilaian :
      Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio      		 Pembelajaran berbasis proyek dan diskusi
      3 x 50
      		Materi: -
      Pustaka: Handbook Perkuliahan
      Materi: Final project
      Pustaka: Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
      Materi: Final project
      Pustaka: Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.
      Materi: Final project
      Pustaka: Han. J., Kamber, M., & Pei, j. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann.
      Materi: Final project
      Pustaka: Guyon, l., & Elisseeff, A. (2003). An Introduction to Variable and Feature Selection. Journal of Machine Learning Research.
      Materi: Final project
      Pustaka: Duda. R. O., Hart, P. E., & Stork, D. G. (2001). Pattern Classification. Wiley-lnterscience.      		 5%

      12

      Minggu ke 12

      Menyelesaikan proyek akhir
      1. Pengembangan solusi inovatif
      2. Ketepatan analisis dan impelementasi
      		 Kriteria:

      Keselarasan proyek dengan metode yang dipilih


      Bentuk Penilaian :
      Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio      		 Pembelajaran berbasis proyek dan diskusi
      3 x 50
      		Materi: -
      Pustaka: Handbook Perkuliahan
      Materi: Final project
      Pustaka: Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
      Materi: Final project
      Pustaka: Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.
      Materi: Final project
      Pustaka: Han. J., Kamber, M., & Pei, j. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann.
      Materi: Final project
      Pustaka: Guyon, l., & Elisseeff, A. (2003). An Introduction to Variable and Feature Selection. Journal of Machine Learning Research.
      Materi: Final project
      Pustaka: Duda. R. O., Hart, P. E., & Stork, D. G. (2001). Pattern Classification. Wiley-lnterscience.      		 5%

      13

      Minggu ke 13

      Menyelesaikan proyek akhir
      1. Pengembangan solusi inovatif
      2. Ketepatan analisis dan impelementasi
      		 Kriteria:

      Keselarasan proyek dengan metode yang dipilih


      Bentuk Penilaian :
      Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio      		 Pembelajaran berbasis proyek dan diskusi
      3 x 50
      		Materi: -
      Pustaka: Handbook Perkuliahan
      Materi: Final project
      Pustaka: Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
      Materi: Final project
      Pustaka: Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.
      Materi: Final project
      Pustaka: Han. J., Kamber, M., & Pei, j. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann.
      Materi: Final project
      Pustaka: Guyon, l., & Elisseeff, A. (2003). An Introduction to Variable and Feature Selection. Journal of Machine Learning Research.
      Materi: Final project
      Pustaka: Duda. R. O., Hart, P. E., & Stork, D. G. (2001). Pattern Classification. Wiley-lnterscience.      		 5%

      14

      Minggu ke 14

      Menyelesaikan proyek akhir
      1. Pengembangan solusi inovatif
      2. Ketepatan analisis dan impelementasi
      		 Kriteria:

      Keselarasan proyek dengan metode yang dipilih


      Bentuk Penilaian :
      Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio      		 Pembelajaran berbasis proyek dan diskusi
      3 x 50
      		Materi: -
      Pustaka: Handbook Perkuliahan
      Materi: Final project
      Pustaka: Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
      Materi: Final project
      Pustaka: Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.
      Materi: Final project
      Pustaka: Han. J., Kamber, M., & Pei, j. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann.
      Materi: Final project
      Pustaka: Guyon, l., & Elisseeff, A. (2003). An Introduction to Variable and Feature Selection. Journal of Machine Learning Research.
      Materi: Final project
      Pustaka: Duda. R. O., Hart, P. E., & Stork, D. G. (2001). Pattern Classification. Wiley-lnterscience.      		 5%

      15

      Minggu ke 15

      Menyelesaikan proyek akhir
      1. Pengembangan solusi inovatif
      2. Ketepatan analisis dan impelementasi
      		 Kriteria:

      Keselarasan proyek dengan metode yang dipilih


      Bentuk Penilaian :
      Penilaian Hasil Project / Penilaian Produk, Penilaian Portofolio      		 Pembelajaran berbasis proyek dan diskusi
      3 x 50
      		Materi: -
      Pustaka: Handbook Perkuliahan
      Materi: Final project
      Pustaka: Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
      Materi: Final project
      Pustaka: Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.
      Materi: Final project
      Pustaka: Han. J., Kamber, M., & Pei, j. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann.
      Materi: Final project
      Pustaka: Guyon, l., & Elisseeff, A. (2003). An Introduction to Variable and Feature Selection. Journal of Machine Learning Research.
      Materi: Final project
      Pustaka: Duda. R. O., Hart, P. E., & Stork, D. G. (2001). Pattern Classification. Wiley-lnterscience.      		 5%

      16

      Minggu ke 16
      1. Mahasiswa mampu mempertanggungjawabkan solusi analitik big data end-to-end - dari formulasi masalah, pipeline data, pemodelan, hingga evaluasi dan rekomendasi keputusan - melalui presentasi ilmiah, demonstrasi, dan tanya jawab komprehensif.
      2. Mampu menjelaskan dengan lebih baik materi-materi dari minggu ke-9 s.d. ke-15
      1. Efektivitas presentasi dan demonstrasi.
      2. Penguasaan individu dalam tanya jawab komprehensif.
      		 Kriteria:

      Kemampuan menyelesaikan soal terkait semua CPMK


      Bentuk Penilaian :
      Praktik / Unjuk Kerja, Tes      		 Menyelesaikan soal Ujian Sumatif
      3 x 50
      		Materi: Materi-materi dari minggu ke-9 s.d. ke-15
      Pustaka: Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
      Materi: Materi-materi dari minggu ke-9 s.d. ke-15
      Pustaka: Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.
      Materi: Materi-materi dari minggu ke-9 s.d. ke-15
      Pustaka: Han. J., Kamber, M., & Pei, j. (2011). Data Mining: Concepts and Techniques. Morgan Kaufmann.
      Materi: Materi-materi dari minggu ke-9 s.d. ke-15
      Pustaka: Guyon, l., & Elisseeff, A. (2003). An Introduction to Variable and Feature Selection. Journal of Machine Learning Research.
      Materi: Materi-materi dari minggu ke-9 s.d. ke-15
      Pustaka: Duda. R. O., Hart, P. E., & Stork, D. G. (2001). Pattern Classification. Wiley-lnterscience.      		 15%



      Rekap Persentase Evaluasi : Project Based Learning

      No Evaluasi Persentase
      1. Aktifitas Partisipasif 7.5%
      2. Penilaian Hasil Project / Penilaian Produk 45%
      3. Penilaian Portofolio 12.5%
      4. Penilaian Praktikum 5%
      5. Praktik / Unjuk Kerja 7.5%
      6. Tes 22.5%
      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.