PEDOMAN AKADEMIK FMIPA UNSULBAR - sosialisasi

["Referensi: 1 Horrison, dkk. 2011. Akuntansi Keuangan, Internasional Financial Reporting Standards. Erlangga. 2 Niswonger, dkk. 2015. Prinsip-Prinsip Akuntansi Jilid 1. Erlangga. 3 Wibowo dan Abubakar. 2002. Pengantar Akuntansi I, Ikhtisar Teori dan Soal-Soal. Gramedia Widiasarana. 4 Zamzami dan Nabella. 2016. Akuntansi Pengantar 1. Gadjah Mada University. Pengantar Big Data (P) (STA354220) 2 sks Prasyarat:- Deskripsi Mata Kuliah : Mata kuliah Pengantar Big Data mempelajari tren dan aspek-aspek yang mencakup konsep Big Data (data dengan skala besar). dengan menekankan pada implementasi sistem penyimpanan data yang berdasarkan sifatnya antara lain skala (volume), jenis (variety), dan kecepatan penyimpanan data (velocity) yang besar. Selain itu akan dibahas juga mengenai beberapa teknik pemrosesan data, penggalian data untuk big data, kompleksitas Big Data, Framework Big Data berdasarkan kondisi State of The Art saat ini. Tujuan Umum: 1. Memahami konsep, framework, peluang dan tantangan Big Data. 2. Mampu memilih dan melakukan aktivitas Data Analytics yang sesuai dengan konteks masalah bisnis yang dihadapi. 3. Mampu melakukan analysis, capture, curation, search, sharing, storage, transfer, visualization, information privacy dan peluang yang ditimbulkan dari Big Data dalam berbagai teknik statistik dengan menggunakan algoritma yang inovatif. 4. Mampu membuat model deskripsi dan prediksi menggunakan data yang tersedia. Materi Kuliah: 1. Pengantar Big Data & Data Analytics 2. Lifecycle Map Reduce 3. Finding Similar Items (Near-Neighbor Search, Shingling of Documents). 4. Penggalian Data Streams (Mining Data Streams). 5. Analisis Tautan (Link Analysis). 6. Advertising on the Web 7. Penggalian Graph Jejaring Sosial (Mining Social-Network Graphs). 8. Reduksi Dimensi (Dimensionality Reduction) Referensi: 1 Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Data. Editor: EMC Education Services. January 2015. 2 P. Giacomelli, Apache Mahout Cookbook, Mumbai: Packt Publishing,2013. 3 N. Sawant and H. Shah, Big Data Application Architecture Q&A, A Problem - Solution Approach, New York: Apress, 2013. 93","Riset Operasi (P) (STA364320) 3 sks Prasyarat:- Deskripsi Mata Kuliah : Mata kuliah ini membahas tentang berbagai solusi masalah pemrograman linier dengan berbagai kasus atau masalah yang spesifik dalam bidang pertanian atau bisnis dan ekonomi yang meliputi solusi program linear dengan metode grafik dan metode simpleks, metode transportasi, model penugasan dan teori permainan. Dalam mata kuliah ini, mahasiswa diharapkan dapat memahami konsep model pemrograman linear dan mahasiswa dilatih untuk dapat membuat formulasi matematika dari masalah dunia nyata dalam bidang pertanian atau bisnis dan ekonomi kemudian menyelesaikan masalah tersebut serta menginterpretasikan solusi yang diperoleh. Tujuan Umum: 1. Mampu mampu memodelkan masalah pemrogaraman linear terutama masalah dalam bidang pertanian atau bisnis dan ekonomi serta terampil dalam menggunakan metode grafik dan metode simpleks untuk menyelesaikan masalah tersebut 2. Mampu memahami model transportasi dan mampu menyelesaikan masalah terutama dalam bidang pertanian atau bisnis dan ekonomi dengan metode trasnportasi 3. Mampu memahami model penugasan dan mampu menyelesaikan masalah terutama dalam bidang pertanian atau bisnis dan ekonomi dengan metode penugasan 4. Mampu memahami teori permainan dan mampu menyelesaikan masalah terutama dalam bidang pertanian atau bisnis dan ekonomi dengan teori permainan Materi Kuliah: 1. Program Linear 2. Metode Transportasi 3. Model Penugasan 4. Teori Permainan Referensi: 1 Anderson, D.R., Sweeney, D.J. and William , T.A. 1985. An Introduction to Management Sciences: Qualitative Approach to Decision Making, 4th Edition 2 Tiro, M.A. 2004. Pengenalan Manajemen Sains. Makassar: Andhira Publisher Rancangan Percobaan (P) (STA374320) 3 sks Prasyarat: STA011320 Deskripsi Mata Kuliah : Mata kuliah rancangan percobaan membahas tentang rancangan percobaan standard, terutama yang umum digunakan di Bidang Pertanian. Perkuliahan dimulai dengan pengenalan perancangan percobaan dan beberapa rancangan baku percobaan, kemudian dilanjutkan dengan percobaan faktor tunggal dalam Rancangan Acak Lengkap (RAL), Rancangan Acak Kelompok Lengkap (RAKL), Rancangan Bujursangkar Latin (RBSL), pembandingan antar perlakuan, pengujian asumsi, Percobaan Faktorial, rancangan petak terbagi (RPT) dan rancangan 94","kelompok terbagi, serta analisis peragam Tujuan Umum: 1. Mahasiswa mampu mengguasai konsep dasar perancangan percobaan 2. Mahasiswa mampu memahami dan menerapkan Rancangan Acak Lengkap, Rancangan Acak Blok Lengkap. 3. Mahasiswa mampu memahami percobaan faktorial (rancangan lingkungan vs rancangan perlakuan) Materi Kuliah: 1. Review Statistika Dasar 2. Pengenalan Rancangan Percobaan 3. Rancangan Acak Lengkap (RAL) 4. Rancangan Acak Kelompok Lengkap (RAKL) dan RBSL 5. Rancangan Faktor Kelompok 6. Rancangan Petak Terbagi 7. ANACOVA Referensi: 1 Montgomery, D.C. 2006. Design and Analysis of Experiments, 6th ed. John Wiley & Sons, Inc. Singapore. 2 Steel, R.G.D., J.H. Torrie and D.A Dickey. 1997. Principles and Procedures of Statistics a Biometrical Approach, 3nd ed. McGraw-Hill, Inc. Singapore 3 Mattjik, A.A dan I M Sumertajaya. 2002. Perancangan Percobaan dengan Aplikasi SAS dan Minitab, Jilid I. IPB Press. Bogor Data Mining (P) (STA385320) 3 sks Prasyarat: : STA144320, STA073320 Deskripsi Mata Kuliah : Mata kuliah ini adalah matakuliah pilihan yang mencakup materi pengenalan data mining, data, eksplorasi data, klasifikasi, analisis asosiasi, Clustering, prediksi, anomali data serta aplikasi dan trend data mining. Tujuan Umum: 1. Mampu menganalisa, mempersiapkan data dan mengolah data serta memilih dan menerapkan algoritma data mining untuk menyelesaikan permasalahan secara individu dan tim. 2. Mampu menjelaskan pengertian tentang konsep-konsep fundamental yang berkaitan dengan penggunaan dan implementasi data mining. 3. Mampu mendesain dan mengimplementasikan data mining sesuai dengan kebutuhan pengguna dimana data mining merupakan bagian yang tidak terpisahkan dari sebuah system. Materi Kuliah: 1. Pengenalan Data Mining 2. Data dan eksplorasi data 3. Data penyiapan (preprocessing) data 4. Frekuensi pola mining 5. Pengenalan dan aplikasi sistem cerdas dalam data mining 6. Deteksi anomali 95","7. Asosiasi dan korelasi 8. Clustering 9. Klasifikasi 10.Prediksi Referensi: 1 Introduction to Data Mining 2nd Edition, Tan, Pang-Ning; Steinbach, Michael; Kumar, Vipin, Pearson Education, Inc, 2015. 2 Data Mining and Knowledge Discovery Handbook Second Edition, Maimon, Oded; Rocach, Lior, Springer, 2010 3 Kassambara, A. 2013. Guide to Create Beautiful Graphics in R. STHDA 4 Wu, X dan Kumar, V. 2009. The Top Ten Algorithms in Data Mining. Boca Raton: CRC Press. 5 Zhao, Y. dan Cen, Y. 2014. Data Mining application with R. Amsterdam: Academic Press Statistika Pertanian (P) (STA395220) 2 sks Prasyarat: : STA063320, STA083320, STA093320, STA215320, STA246320,STA374320 Deskripsi Mata Kuliah : Matakuliah ini mempelajari tentang metode statistika pertanian, mengumpulkan, tabulasi dan klasifikasi data sampai pada pengujian hipotesis yang berkaitan dengan data pertanian, teori peluang, teknik sampling, distribusi chi square (tabel kontingensi), Analysis of Covariance, korelasi dan regresi, analisis probit split plot design, strip plot design, statistika untuk data agribisnis, dan metode multivariate. Tujuan Umum: 1. Mahasiswa mampu mengumpulkan, tabulasi dan klasifikasi data sampai pada pengujian hipotesis yang berkaitan dengan data pertanian 2. Mahasiswa mampu memahami teori peluang, teknik sampling, distribusi chi square (tabel kontingensi), Analysis of Covariance, korelasi dan regresi, analisis probit split plot design, strip plot design, statistika untuk data agribisnis, dan metode multivariate untuk data dan kasus pertanian Materi Kuliah: 1. Pengenalan Data, klasifikasi dan sistem tabulasi data pertanian 2. Teori peluang dasar untuk kasus pertanian 3. Sistem sampling 4. Analisis of covariance 5. Korelasi dan regresi 6. Analisis probit 7. Spplit plot design, 8. Strip plot design, 9. statistika untuk data agribisnis 10.Multivariate Referensi: 1 Nageswara Rao (2007). Statistics for Agricultural Sciences. Second Edition, BS Publication. 96","2 Cochran, W.O. (1951): Testing a linear relation among variances. Biometrics, 7: 17-32. 3 Cochran, W.O. (1953): Sampling techniques. John Wiley & Sons, Inc., New York. 4 Cochran, W.O. and Cox, O.M. (1957).: Experimental Designs. John Wiley & Sons, Inc., New York. 5 Croxton and Cowden (1966):. Applied general statistics. Prentice\u00b7Hall of India (Pvt.) Ltd., New Delhi. 6 Finney. D.J. (1947): Probit Analysis. Cambridge University Press, Cambridge, England. 7 Fisher R.A and Yates, F. (1948) : Statistical Tables for Agricultural, Biological and Medical Research. Oliver and Boyd, Edinburgh, 3rd Ed 8 Panse, Y.G. and Sukhatme, P.Y. (1967) : Statistical Methods jor A,zricultural Workers. Indian Council of Agril. Research, New Delhi. Regresi Non Parametrik (P) (STA405320) 3 sks Prasyarat: : Deskripsi Mata Kuliah : Matakuliah ini mempelajari tentang metode statistika pertanian, mengumpulkan, Mata kuliah ini adalah mata kuliah pilihan yang berisi tentang pengantar regresi nonparametrik, estimator Kernel, estimator Lokal Linear, estimator Polinomial Lokal, estimator LS-Spline, estimator P-Spline, serta estimator Deret Fourier, teknik smoothing, Metode pemilihan parameter smoothing, teknik regresi nonparametrik pada data berkorelasi, uji kecocokan regresi nonparametrik Tujuan Umum: Setelah menyelesaikan mata kuliah ini mahasiswa diharapkan menguasai dan mampu menerapkan konsep dan prinsip dasar regresi nonparametrik, Mampu menerapkan jenis regresi nonparametrik lain dan metode pendugaan pada model regresi nonparametrik serta dapat menerapkannya dalam menyelesaikan masalah-masalah yang relevan, Mampu menerapkan konseptual kalkulus dalam hal regresi nonparametrik, jenis regresi nonparametrik lain dan metode pendugaan pada model regresi nonparametrik. Mampu menerapkan pemahaman konseptual dalam menyelesaikan masalah regresinonparametrik atau masalah yang relevan. Mampu menerapkan konseptual dan keterampilan dan mengaplikasikan regresi nonparametrik, jenis regresi nonparametrik lain dan metode pendugaan pada model regresi nonparametrik. Materi Kuliah: 1. Regresi nonparametrik 2. Teknik smoothing 3. Metode pemilihan parameter smoothing 4. Teknik regresi nonparametrik pada data berkorelasi 5. Uji kecocokan regresi nonparametrik Referensi: Rujukan Utama 1 Hardle, W. (1990). Applied Nonparametric Regression. Cambridge University Press. 97","2 Hardle, W. (1994). Applied Nonparametric Regression. Berlin: Institut fuur Statistik and Okonometric, Humboldt Universitat zu Berlin 3 John Fox, J. (2005). Introduction to Nonparametric Regression. Canada: McMaster University Rujukan Pendukung 1 Rumsey, D. (2010). Statistics Essentials For Dummies. Indianapolis, Indiana: Wiley Publishing, Inc. 2 Germ\u00b4an Rodr\u00b4\u0131guez, G. (2001). Smoothing and Non-Parametric Regression. Komputasi Statistika Lanjut (P) (STA415320) 3 sks Prasyarat: : STA144320 Deskripsi Mata Kuliah : Mata kuliah Komputasi Statistika Lanjut secara garis besar mempelajari tentang penyusunan suatu perangkat lunak baru yang belum ada di paket yang komersiil. Mata kuliah ini sebagian besar membahas pemrograman tingkat lanjut dengan paket GUI Matlab dan GUI-R. Isi pokok mata kuliah ini meliputi Pemrograman GUI Matlab dan GUI-R untuk masalah statistika sederhana dan lanjutan meliputi optimasi fungsi non linier berbasis gradien dan heuristic untuk model-model nonparametrik. Tujuan Umum: 1. Mampu menjelaskan perbedaan Matlab atau R untuk komputasi dan bahasa pemrograman 2. Mampu membangkitkan data dari sebaran peluang 3. Mampu menjelaskan perbedaan program terstruktur dan berorientasi objekregresi nonparametrik. 4. Setelah menyelesaikan topik ini, mahasiswa mampu menggunakan dan menciptakan package pengembangan R 5. Setelah menyelesaikan topik ini, mahasiswa mampu membuat antar muka grafikal dalam Matlab atau R Materi Kuliah: 1. Pemodelan statistika menggunakan Matlab. 2. Optimasi model linear dan non linier. 3. Algoritma genetika untuk optimasi fungsi beberapa variable. 4. Pemodelan statistika pada software Matlab dan R . 5. Model-model regresi nonparametrik serta perbedaannya dengan regresi parametrik. 6. Regresi kernel, regresi spline dengan Matlab dan R 7. Program regresi bayesian dengan R. 8. Dasar-dasar pemrograman GUI-R. 9. program aplikasi GUI-R untuk model-model regresi non parametrik. Referensi: 1 Santosa, B., 2008, Matlab untuk Statistika & Teknik Optimasi Aplikasi untuk Rekayasa & Bisnis, Graha Ilmu. 2 Sugiharto, A., 2007, Pemrograman GUI dengan Matlab, Andi Publisher, Yogyakarta. 3 Albert, J., 2009, Bayesian Computation with R, Springer Science + Business 98","Media, New York. Matematika Aktuaria (P) (STA425320) 3 sks Prasyarat: : STA154220 Deskripsi Mata Kuliah : Mata kuliah ini merupakan mata kuliah pilihan yang membahas mengenai konsep- konsep dasar aktuaria yang meliputi model survival, asuransi jiwa dan anuitas jiwa serta terapan matematika pada asuransi jiwa terkhusus pada penentuan premi asuransi jiwa. Tujuan Umum: 1. Mampu memahami dan menerapkan konsep-konsep matematika keuangan dan peluang untuk menganalisa masalah dalam asuransi jiwa 2. Mampu memahami konsep mortalitas, model survival, tabel mortalita serta mampu membuat tabel mortalita berdasarkan asumsi-asumsi yang ada 3. Mampu menjelaskan jenis-jenis asuransi jiwa, anuitas jiwa, menentukan premi sesuai dengan jenis asuransinya dan membuat simulasi perhitungan premi asuransi jiwa Materi Kuliah: 1. Model Survival 2. Asuransi Jiwa 3. Anuitas Jiwa 4. Premi Asuransi Jiwa Referensi: 1 Newton L. Bower, Hans U. Gerber, etc, 1997, Actuarial Mathematics 2nd Edition, Society of Actuaries 2 Hans U Gerber, Life Insurance Mathematics, 1997, 3rd Edition, Springer, Swiss. 3 Larson, R.E and Gaumnitz, E., 1962, Life Insurance Mathematics, John Willey & Sons, Inc. 4 Adhitya R. Effendie, 2015, Matematika Aktuaria dengan Software R, Gadjah Mada University Press Analisis Data (P) (STA436320) 3 sks Prasyarat: : STA385320, STA395220, STA364320, STA436220, STA246320, STA215320, STA093320, STA063320 Deskripsi Mata Kuliah : Matakuliah ini mempelajari mempersiapkan mahasiswa untuk mengumpulkan, mendeskripsikan, dan menganalisis data, dan menggunakan alat statistik canggih (software) untuk membuat keputusan tentang operasi, manajemen risiko, keuangan, pemasaran, pertanian dll. Analisis dilakukan dengan menargetkan keputusan ekonomi dan keuangan dalam sistem kompleks yang melibatkan banyak mitra. Topik meliputi probabilitas, statistik, pengujian hipotesis, regresi, pengelompokan, pohon keputusan, dan peramalan menggunakan software. Tujuan Umum: 99","1. Mahasiswa mampu mengumpulkan data yang cukup relevan, lakukan analisis data menggunakan metode ilmiah, dan buat hubungan yang sesuai dan kuat antara analisis kuantitatif dan masalah dunia nyata. 2. Mahasiswa mampu Menunjukkan pemahaman yang canggih tentang konsep dan metode; mengetahui cakupan yang tepat dan kemungkinan batasan dari setiap metode; dan menunjukkan kemampuan menggunakan keterampilan analitik data untuk memberikan panduan konstruktif dalam pengambilan keputusan. 3. Mahasiswa mampu menggunakan teknik lanjutan untuk melakukan analisis menyeluruh dan berwawasan, dan menafsirkan hasil dengan benar dengan informasi yang rinci dan berguna. 4. Mahasiswa mampu menunjukkan pemahaman substansial tentang masalah nyata; melakukan analisis data yang mendalam menggunakan metode yang benar; dan menarik kesimpulan yang masuk akal dengan penjelasan dan elaborasi yang memadai. 5. Mahasiswa mampu menulis laporan berwawasan dan terorganisir dengan baik untuk studi kasus dunia nyata, termasuk detail yang bijaksana dan meyakinkan. 6. Mahasiswa mampu membuat keputusan bisnis yang lebih baik dengan menggunakan teknik canggih dalam analitik data menggunakan software. Materi Kuliah: 1. Pengenalan analisis dan visualisasi data menggunakan R Studio 2. Regresi Linear and Nonlinear 3. Klasifikasi, Regresi Tobit dan Logistik 4. Clustering 5. Decicion Tree 6. Peramalan linier dan nonlinear 7. Presentasi Projek Referensi: 1 Sudjana (2000). Metoda Statistika. Bandung : Tarsito . 2 Johnson, R.A. dan Wichern, D.W. (2007). Applied Multivariate: Statistical Analysis. 6th Edition. Pearson Education Inc, United States of Amerika 3 Johannes Ledolter, Data Mining and Business Analytics with R,; Publisher: Wiley (2013), ISBN-13: 978-1118447147; Available in Johns Hopkins online library: https:\/\/catalyst.library.jhu.edu\/catalog\/bib_4637122 4 Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, An Introduction to Statistical Learning with Application in R, by ;Publisher: Springer (2013); ISBN- 13: 978-1461471370; Available in Johns Hopkins online library: https:\/\/catalyst.library.jhu.edu\/catalog\/bib_6591386. 5 Trevor Hastie, Robert Tibshirani and Jerome Friedman, Elements of Statistical Learning: Data Mining, Inference, and Prediction, but it requires some mathematical sophistication and goes beyond the material we will be covering. The book is free at https:\/\/web.stanford.edu\/~hastie\/Papers\/ESLII.pdf 100","Statistik Spasial (P) (STA446320) 2 sks Prasyarat: : STA134320, STA134320 Deskripsi Mata Kuliah : Mata kuliah Statistika Spasial bertujuan agar mahasiswa mampu merancang pengumpulan data berbasis lokasi dan mampu menganalisis data spasial pada bidang khususnya pertanian dan kelautan, serta mampu menginterpretasikannya. Materi teori mulai konsep dasar spasial hingga berbagai metode analisis spasial disampaikan melalui ceramah dan diskusi. Untuk mempertajam kemampuan analisis, mahasiswa diberikan contoh kasus yang relevan dan diselesaikan dengan dan tanpa priranti lunak (software) melalui praktikum di kelas. Di samping itu mahasiswa diberikan penugasan baik mandiri maupun kelompok untuk mengetahui penerapan berbagai permasalahan riil, khususnya bidang pertanian dan kelautan. Tujuan penugasan ini adalah melatih mahasiswa agar mampu mengelola dan bekerja dalam tim serta bertanggung jawab atas hasil kerja mandiri dan kelompok. Tujuan Umum: 1. Dapat memahami konsep dasar Statistika Spasial; 2. Dapat memahami struktur data spasial dan proses pengumpulan data spasial; 3. Dapat menganalisis data univariate dan multivariate berbasis spasial serta menyajikan deskripsi data spasial melalui peta; 4. Dapat menyusun rancangan pengumpulan data berbasis spasial; 5. Dapat memahami spatial pattern dan autokorelasi spasial; 6. Dapat menganalisis data spasial dengan regresi spasial basis area; 7. Dapat menganalisis data spasial dengan regresi spasial basis titik. Materi Kuliah: 1. Pengertian Statistika Spasial; 2. Struktur Data Spasial (Titik, Area: Lattices, dan Point Patterns), Isotropy dan Anisotropy, Stasioner dan Non Stasioner; 3. Eksplorasi Data Spasial; 4. Teknik Sampling dan Pendugaan Basis Wilayah; 5. Spatial Pattern dan Autokorelasi Spasial; 6. Pemodelan Regresi Spasial BerBasis Area dan Titik (SAR, SEM, GWR, GWPR, GWLR); dan 7. Kasus-Kasus Yang Berkaitan dengan Analisis Spasial (Pertanian, Kelautan). Referensi: 1 Anselin, L. 1988. Spatial Econometrics: Methods and Models. Dordrecht : Kluwer Academic Publishers. 2 Anselin, L. and Rey, S.J., 2010. Perspective on Spatial Data Analysis. Springer. 3 Arbia, G. 2006. Spatial Econometrics: Statistical Foundations and Applications to Regional Convergence. Berlin : Springer. 4 Ficher, M.M. and Getis, A., 2010. Handbook of Applied Spatial Analysis Software Tools, Methods and Applications. Springer-Verlag Berlin Heidelberg. 101","Jaringan Syaraf Tiruan (P) (STA456220) 2 sks Prasyarat: : STA134320, STA134320 Deskruipsi Mata Kuliah: Mata kuliah ini membahas mengenai algoritma komputasi yang meniru bagaimana jaringan syaraf biologi bekerja. Mata kuliah ini merupakan bagian dari Sains Data, karena algoritma yang dipelajari bisa berfungsi dengan baik jika mengaplikasikan pemrosesan data Tujuan Umum: 1. Mampu menjelaskan di bidang apa saja aplikasi dari JST 2. Mampu menganalisis algoritma JST paling sederhana untuk mengenali pola logika AND, OR, NAND dan NOR. 3. Mampu dengan baik dalam menjelaskan perbedaan implementasi algoritma JST dengan 1 elemen pemroses dan multi elemen pemroses. 4. Mampu dengan baik dalam menjelaskan jaringan yang mampu menyimpan memori 5. Mampu dengan baik dalam menjelaskan konsep dasar jaringan berbasis kompetisi dan masalah yang bisa diselesaikan jaringan tersebut 6. Mampu dengan baik dalam menjelaskan perbedaan konsep algoritma jaringan backpropagation dan variasin 7. Mampu dengan baik dalam menelaah karya ilmiah tentang aplikasi JST Materi Kuliah: 1. Pemodelan jaringan saraf tiruan dari jaringan saraf biologi, 2. Pengenalan pola sederhana dengan Perceptron, Hebb dan Adaline, 3. Pengenalan karakter dengan Percepron, Associative memories, 4. Klasifikasi dengan BP,dan LVQ, 5. Clustering dengan Kohonen SOM, 6. Forecasting BP, dan RBF 7. Model alternatif JST Referensi: 1 Irawan, M. Isa (2013), \u201cDasar-Dasar Jaringan Syaraf Tiruan \u201d, Penerbit ITS Press, Surabaya. 2 Simon Haykin (2001), \u201cKalman Filtering and Neuralnetwork\u201d, United States of America : John Wiley & Sons. 3 James A. Freeman and David M. Skapura (1991), \u201cNeural Networks Algorithms, Applications, and Programming Techniques\u201d, United States of America : Addison Wesley. Analisis Survival (P) (STA466320) 3 sks Prasyarat: : STA073320 Deskripsi Mata Kuliah: Mata kuliah ini merupakan mata kuliah yang membahas tentang pengantar analisis survival, fungsi survival, tes log rank, regresi survival parametrik, model cox proportional hazard, evaluasi asumsi proportional hazard, model stratified cox regresion, extended cox regression untuk variabel time dependent, analisis survival untuk recurent event. 102","Tujuan Umum: 1. Mahasiswa mampu menjelaskan konsep dan analisis survival 2. Mahasiswa mampu menghitung estimasi dan membuat grafik fungsi survival menggunakan metode parametri k dan kaplan meier 3. Mahasiswa mampu melakukan pengujian perbedaan dua atau lebih kurva survival. 4. Mahasiswa mampu mengidentifikasi dan melakukan estimasi parameter regresi survival untuk data lengkap maupun tersensor 5. Mahasiswa mampu mampu mengidentifikasi dan merumuskan bentuk umum dari model Cox PH 6. Mahasiswa mampu melakukan dan menganalisis uji asumsi dari model Cox PH dengan metode grafik dan uji godness of fit (GOF) 7. Mahasiswa mampu melakukan dan menganalisis model stratified cox regresion 8. Mahasiswa mampu melakukan pemodelan menggunakan Extended Cox Model 9. Mahasiswa mampu menjelaskan dan menganalisis data recurrent Event Materi Kuliah: 1. Pengantar analisis surviva 2. Fungsi survival 3. Uji log rank 4. Regresi survival parametrik 5. Model cox proportional hazard 6. Evaluasi asumsi proportional hazard 7. Model stratified cox regresion 8. Extended cox regression untuk variabel time dependent 9. Analisis survival untuk recurent event Referensi: 1 Cox, D. R. and Oakes, D. 1984. Analysis of Survival Data. Cambridge: University Printing House 2 Peter J. Diggle, Patrick Heargerty, Kung-Yee Liang and Scott L. Zeger, 2005, \u201cAnalysis of Longitudinal Data 2nd-Edition\u201d, Oxford University Press. 3 David, Collet. 2014. Modelling Survival Data in Medical Research. 3rd Edition, Chapman and Hall\/CRC 4 Kleinbaum, David G. amd Klein, Mitchel. 2012. Survival Analysis: A Self-Learning Text. 3rd Edition. Springer, Science + Business Media, LLC. Analisis Keputusan (P) (STA476220) 2 sks Prasyarat: : - Deskripsi Mata Kuliah: Mata kuliah ini merupakan mata kuliah pilihan yang mempelajaro tentang bagaiman penerapan ilmu statistika dalam konteks pengambilan keputusan Ketika menghadapi keadaan berupa adanya kepastian, ketidakpastian, resiko dan konflik Tujuan Umum: Setelah mengikuti perkuliahan ini mahasiswa diharapkan mampu 1. Memahami pengertian dan elemen-elemen keputusan 2. Memahami konsep pengambilan keputusan dalam kondisi ketidakpatian 103","3. Memahami konsep pengambilan keputusan dalam kondisi adanya risiko 4. Melakukan analisis pengambilan keputusan berdasarkan pendekatan peluang, statistic dan matematik Materi Kuliah: 1. Pendahuluan: Teori Keputusan Normatif dan Deskriptif; Keputusan Rasional dan Benar; Resiko, 2. Pengabaian\/Ketidaktahuan, dan Ketidakpastian; Teori Pilihan Sosial dan Toeri Permainan; Sejarah Singkat Teori Keputusan 3. Matriks Keputusan: Pernyataan; Keluaran; Aksi; Formalisasi Rival\/Pesaing 4. Keputusan Di Bawah Ketidaktahuan\/Pengabaian: Dominansi; Konsep Maksimin dan Leksimin; Aturan Maksimaks dan 5. Optimisme-Pesimisme; Minimax Regret; Prinsip Alasan Ketidakcukupan; Aksi Random 6. Keputusan Di Bawah Resiko: Pengantar; Pendekatan Aksiomatik; Paradok Allais; Paradok Ellsberg; Paradok St Petersburg; 7. Paradok Two-Envelope 8. Utilitas: Mengkonstruksi Skala Prioritas; Skala von Neumann dan Interval Morgenstern; Utilitas pada Skala Rasio; Utilitas yang Tak Terukur 9. Peluang Matematika: Kalkulus Peluang; Peluang Bersyarat; Teorema Bayes; Permasalahan Tanpa Prior 10.Filosofi Peluang: Interpretasi Klasik; Interpretasi Frekuensi; Interpretasi Propensiti; Interpretasi Logika dan Epistemik; 11.Peluang Subyektif. 12.Aksioma Preferensi: Preferensi Rasional Transitif dan Lengkap; Pendekatan Multiatribut; Aksioma Kebebasan; Resiko Aversi 13.Teori Keputusan Kasual dan Eviden Referensi: 1 Peterson, Martin. 2009. An Introduction to Decision Theory. New York: Cambridge University Press. 2 Mangkusubroto, K., & Trisnadi, L. (1983). Analisa keputusan: pendekatan sistem dalam manajemen usaha dan projek. Sistekon. 3 Hasan, M. I. (2002). Pokok-Pokok Materi Teori Pengambilan Keputusan. Jakarta: Ghalia Indonesia. 4 Mulyono, S. (1996). Teori Pengambilan Keputusan. Jakarta: Lembaga Penerbit Fakultas Ekonomi Indonesia Teori Resiko (P) (STA486320) 3 sks Prasyarat: : STA425320 Deskripsi Mata Kuliah: Mata kuliah ini merupakan mata kuliah pilihan yang membahas tentang model-model benefit asuransi: deductibles, coinsurances, policy limits, konsekuensi dari model asuransi, model model aggregate loss, process models dalam asuransi, peluang kerugian diskrit dan waktu berhingga, adjustment coefficient dan pertidaksamaan Lundberg\u2019s, Ukuran risiko, persamaan integrodifferential, maximum aggregate loss, 104","proses risiko Brownian motion, peluang kerugian, dan Ruin theory Tujuan Umum: Setelah mengikuti perkuliahan ini mahasiswa diharapkan mampu 1. Memahami konsep dasar probabilitas, variabel random, dan kaitannya dengan kuantitas dasar distribusi risiko 2. Memahami konsep model-model aktuaria baik yang diskrit maupun yang kontinu 3. Mehamami konsep frekuensi, severitas, dan kerugian agregat pada asuransi, memodelkan dan menganalisisnya 4. Memahami konsep ruin (keruntuhan) dan kredibilitas dari suatu perusahaan asuransi dan memodelkan serta menganalisisnya Materi Kuliah: 1. Review Konsep Probabilitas dan Variabel Random: Probabilitas; Variabel Random Diskrit, Kontinyu, Campuran 2. Kuantitas Dasar Distribusi Risiko: Moment; Kuantil; Fungsi Pembangkit Momen; Pendekatan Normal; Ekor Distribusi; Ukuran Risiko 3. Karakteristik Model Aktuaria: Parametrik dan Distribusi Skala; Distribusi Campuran Berhingga 4. Model Kontinu: Membuat Distribusi Baru; Pemangkatan; Eksponensiasi; Campur; Keluarga Eksponensial Linier 5. Model Diskrit: Pengantar; Distribusi Poisson; Distribusi Binomial Negatif; Distribusi Binomial; Kelas (a, b, 0) 6. Frekuensi dan Severitas: Deduktibel; Batas Polis; Coinsurance; Efek ke Distribusi 7. Model Kerugian Agregat: Pengantar; Pemilihan Model; Model Konvolusi 8. Model Ruin Waktu Diskrit: Pengantar; Model Proses Untuk Asuransi; Model Asuransi; Ruin; Peluang Ruin Waktu Diskrit Terbatas; Evaluasi Peluang Ruin dengan Konvolusi 9. Model Ruin Waktu Kontinu: Pengantar; Proses Poisson; Masalah Waktu Kontinyu; Koefisien Adjustmen dan Ketaksamaan Lundberg's 10.Kredibilitas: Pengantar; Konsep Statistik; Full Kredibilitas; Parsial Kredibilitas; Metode Bayesian; Model Buhlmann; Model Buhlmann-Straub Referensi: 1 Effendie, A. R. 2019. Teori Risiko Aktuaria Dengan Software R. UGM PRESS 2 Klugman, S. A., H. H. Panjer, dan G. E. Willmot. 2012. Loss Models: From Data to Decisions. John Wiley & Sons. 3 Schmidli, H. 2018. Risk Theory. Springer. 4 Kaas, R., M. Goovaerts, dan J. Dhaene. 2008. Modern Actuarial Risk Theory. Springer Science & Business Media Cloud Computing (P) (STA497220) 2 sks Prasyarat: : - Deskripsi Mata Kuliah: Mata kuliah ini merupakan mata kuliah yang akan mempelajari komputasi cloud, mulai dari aplikasi dan administrasi hingga pemrograman dan infrastruktur. Sasaran utama adalah teknik pemrograman parelel untuk komputasi cloud dan sistem terdistribusi beskala besar yang membentuk infrastuktur cloud. Topiknya meliputi 105","komputasi cloud secara garis besar, sistem cloud, pemrosesan parallel cloud, sistem penyimpanan terdistribusi, virtualisasi, keamanan sistem cloud, dan sistem operasi multicore. Tujuan Umum: 1. Mampu menjelaskan definisi teknologi cloud. 2. Mampu menjelaskan cara kerja dan syarat Cloud. 3. Mampu mendeskripsikan Utility Computing & Web Service. 4. Mampu menjelaskan perbedaan Mesin fisik dan Virtual . 5. Mampu membangun layanan cloud dengan Owncloud\/Proxmox Server. Materi Kuliah: 1. Pendahuluan : Definisi dan evolusi Model Komputasi Teknolofi, Servis dan Penerapan Komputasi Awan, Kasus Penggunaan Cloud, Resiko dan Keamanan Komputasi Awan. 2. Infrastruktur Cloud : Desain perangkat, persyaratan, daya, efesiensi & perhitungan daya redudansi, cloud software. 3. Virtualisasi : Virtualisasi (CPU, Memori, I\/O) 4. Cloud Storage : Pengenalan sistem penyimpanan, konsep penyimpanan awan, sistem file terdistribusi (HDFS, Ceph FS), Database Cloud (HBase, MongoDB, Cassandra, DynmoDB), Penyimpanan Objek Awan (AmazonS3, OpenStack, Ceph) 5. Model Pemrograman Terdistribusi untuk Analisis Cloud Data - Paralel dengan Hadopp MapReduce (YARN) Referensi: 1 Onno W Purbo, dkk. 2007. Jaringan Wireless Di Dunia berkembang Edisi Dua. 2 Muhamad Jamil,dkk. 2016. Cloud Computing Teori dan Aolikasi. Penerbit Deepublish (CV Budu Utama), Yogyakarta 3 Dr. Ridi Ferdiana. 2016. Solusi Cloud Computing dengan Microsoft Azure bagi UMKM. Penerbit PT. Elex Media Komputindo, Jakarta Internet Kecerdasan Buatan (P) (STA507320) 3 sks Prasyarat: : STA364320, STA215320 Deskripsi Mata Kuliah: Matakuliah ini membahas tentang Membahas pentingnya Konsep Dasar kecerdasan buatan, Masalah dan ruang keadaan, teknik pencarian dan pelacakan Blind dan heuristic, Representasi Pengetahuan, Sistem Pakar, Ketidakpastian, Case Base Reasoing, Jaringan syaraf tiruan, dan Algoritma Genetika. Tujuan Umum: 1. Mahasiswa dapat menjelaskan prinsip dari kecerdasan buatan 2. Mahasiswa dapat menjelaskan masalah dan ruang keadaan teknik pencarian dan pelacakan Blind dan heuristic, Representasi Pengetahuan, Sistem Pakar, Ketidakpastian, Case Base Reasoing, Jaringan syaraf tiruan, dan Algoritma Genetika. Materi Kuliah: 1. Pengenalan Kecerdasan Buatan (Artificial Intelligence) 2. masalah dan ruang keadaan 3. Teknik pencarian dan pelacakan Blind 106","4. Pelacakan heuristic 5. Sistem Pakar 6. Ketidakpastian I dan II 7. Fuzzy Logic 8. Case Base Reasoning 9. Jaringan Syaraf Tiruan 10.Algoritma Genetika Referensi: 1 Arhami, M. (2005). Konsep Dasar Sistem Pakar. Yogyakarta: Andi Offset. 2 Bojadziev, G., & Bojadziev, M. (2007). Fuzzy Logic for Business, Finance, and Management . Singapore: Word Scientific. 3 Desiani, A., & Arhami, M. (2006). Konsep Kecerdasan Buatan. Yogyakarta: Andi Offset. 4 Kusumadewi, s. (2003). Artificial Intelegence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu. 5 Kusumadewi, S., & Purnomo, H. (2010). Aplikasi Logika Fuzzy : Untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu. 6 Morris W, F. (1989). Artificial Intelligence . Boston: PWS-Kent . 7 Puspitaningrum, D. (2006). Pengantar jaringan Syaraf Tiruan. Yogyakarta: Andi Offset. 8 Suyanto. (2005). Algoritma Genetika dalam Matlab. Yogyakarta: Andi Offset. 9 Suyanto. (2007). Artificial intelegence : Searching, Reasoning, Planning, and Learning. Bandung: Informatika . (Anonim) Sistem Informasi Geografis (P) (STA517320) 3 sks Prasyarat: : STA053320, STA446220 Deskripsi Mata Kuliah: Matakuliah ini mempelajari salah satu tujuan pokok dalam sistem informasi geografis yaitu penggunaan sistem berbasis komputer untuk memanajemen data geografis. Dasar teori mengenai sistem informasi geografis, komponen, format data serta metode-metode pengolahan data spasial akan diberikan sehingga mahasiswa akan memiliki pengetahuan tentang bagaimana menyusun, mengolah, menganalisis, serta menginterpretasikan data spasial dalam sistem informasi geografis. Untuk memahami dan memperoleh pengalaman dalam penyusunan data spasial, mahasiswa akan diberikan tugas untuk melakukan penyusunan data spasial sederhana yang disusunsebagai data atributdalam data spasial. Proses konversi data spasial yang digunakan dalam sistem informasi geografis juga akan diberikan dalam mata kuliah ini.. Tujuan Umum: 1. Mahasiswa dapat menjelaskan prinsip dari kecerdasan buatan 2. Mahasiswa mampu menjelaskan konsep dan definisi SIstem Informasi Geografis 3. Mahasiswa mampu mengidentifikasi data Sistem Informasi Geografis dalam proses pengolahan data spasial 4. Mahasiswa mampu menyusun basis data spasial dalam format SIG 4. Mahasiswa mampu merepresentasikan data spasial dalam format SIG. 107","Materi Kuliah: 1. Pengenalan Kecerdasan Buatan (Artificial Intelligence) 2. Definisi SIG 3. Komponen SIG 4. Format data 5. Spatial referencing 6. Konversi data 7. Struktur data 8. Basis data spasial 9. Basis data atribut Referensi: 1 Burrough P.A, Principle of GIS for Land Resources Assessment, Oxford, 1998 2 Christopher Jones, GIS and Computer Cartography, Longman England, 1999 3 Green D. and T. Bossomaier, Online GIS and spatial metadata. Taylor & Francis, 2002 4 Aronoff S., Geographic information systems: a management perspective. WDL Publications, 1989. 5 Kang-Tsung Chang, Introduction to Geogpahic Information Systems, Fourth Edition. Singapore. Mc Graw Hill.2008 6 Teguh Hariyanto, Pendahuluan SIG, bahan ajar SIG, ITS Surabaya, 2009 108","BAB IV PENUTUP 109","Buku pedoman akademik ini disusun berdasarkan Peraturan Akdemik Universitas Sulawesi Barat, Kurikulum Program studi Matematika dan Program studi Statistika. 110"]